临床决策 Transformer：通过目标提示进行预期治疗推荐
人工智能
2023-02-02 v1
摘要
随着近期在需要上下文感知任务上的成就，基础模型已被采用以处理来自电子健康记录（EHR）系统的大规模数据。然而，先前基于基础模型的临床推荐系统仅限于模仿临床医生行为，且未直接考虑缺失值问题。在本文中，我们提出 Clinical Decision Transformer（CDT），一种给定作为目标提示的期望临床状态范围后生成药物序列的推荐系统。为此，我们进行了目标条件化排序，生成了以未来目标状态为前缀的治疗历史子序列，并训练 CDT 来建模达到该目标状态所需的序贯药物。对于入院内与入院间的上下文嵌入，我们采用了带有按入院注意力掩码和列嵌入的基于 GPT 的架构。在实验中，我们从 EHR 系统提取了一个糖尿病数据集，包含 4788 名患者的治疗历史。我们观察到，CDT 根据目标提示范围（例如 NormalA1c、LowerA1c 和 HigherA1c）实现了预期治疗效果，这与行为克隆的情况相反。据我们所知，这是首个从目标提示视角探索临床推荐的研究。参见 https://clinical-decision-transformer.github.io 获取代码与附加信息。
引用
@article{arxiv.2302.00612,
title = {Clinical Decision Transformer: Intended Treatment Recommendation through Goal Prompting},
author = {Seunghyun Lee and Da Young Lee and Sujeong Im and Nan Hee Kim and Sung-Min Park},
journal= {arXiv preprint arXiv:2302.00612},
year = {2023}
}