CBOWRA：一种用于用药异常检测的表示学习方法
计算与语言
2019-10-23 v2 机器学习
摘要
电子健康记录是临床研究与应用的重要来源，数据中不可避免地会出现错误，可能对患者和医院服务造成严重损害。其中一类错误是诊断与处方之间的不匹配，我们在文中称之为“用药异常”，临床医生以往靠人工识别并纠正。随着机器学习技术的发展，研究者能够训练特定模型来完成该任务，但过程仍需专家知识来构建恰当特征，且很少考虑语义关系。本文提出一种简单而有效的检测方法，通过检测诊断与处方之间的语义不一致来解决该问题。与传统离群或异常检测不同，该方案使用连续词袋 (CBOW) 构建特定中心词与其周围上下文之间的语义联系。用药异常的检测被转化为基于给定上下文识别最不可能的中心词。为帮助区分异常与正常上下文，我们还引入了排序累积策略。实验在两个真实医院电子病历上进行，所提方法的 topN 准确率在数据集上分别提升了 3.91 至 10.91% 和 0.68 至 2.13%，与其他传统基于机器学习的方法相比极具竞争力。
引用
@article{arxiv.1908.07147,
title = {CBOWRA: A Representation Learning Approach for Medication Anomaly Detection},
author = {Liang Zhao and Zhiyuan Ma and Yangming Zhou and Kai Wang and Shengping Liu and Ju Gao},
journal= {arXiv preprint arXiv:1908.07147},
year = {2019}
}
备注
8 pages, 6 figures, submitted to BIBM 2019, accepted in workshop BHI 2019