桥接电子健康记录与临床文本：用于增强临床任务的对比学习
计算与语言
2025-05-26 v1 机器学习
摘要
传统的机器学习模型，特别是基于树的方法，在使用电子健康记录（EHR）数据的各种临床预测任务中已展现出有前景的性能。尽管它们具有优势，但这些模型在需要更深层上下文理解的任务上存在困难，例如预测30天再入院。这主要是由于结构化EHR数据中可用的语义信息有限。为解决这一局限性，我们提出了一种深度多模态对比学习（CL）框架，将结构化EHR数据的潜在表示与非结构化出院小结对齐。其工作原理是将配对的EHR和文本嵌入拉到一起，同时将未配对的推开。利用该框架提取的预训练EHR编码器进行微调显著提升了下游任务的性能，例如在30天再入院预测中相比XGBoost提升了4.1%的AUROC。这些结果证明了将临床笔记中的领域知识整合到EHR流水线中的效果，使临床决策支持系统更加准确和上下文感知。
引用
@article{arxiv.2505.17643,
title = {Bridging Electronic Health Records and Clinical Texts: Contrastive Learning for Enhanced Clinical Tasks},
author = {Sara Ketabi and Dhanesh Ramachandram},
journal= {arXiv preprint arXiv:2505.17643},
year = {2025}
}