用于急诊科患者分诊的深度注意力模型
计算机与社会
2018-04-11 v1 计算与语言
机器学习
摘要
优化急诊科（ED）的患者吞吐量与等待时间是医院系统的一项重要任务。为此，引入了急诊严重指数（ESI）分诊系统以帮助指导 acuity 水平的手动估计，护士据此对患者进行排序并组织医院资源。然而，尽管该系统为医疗资源的管理带来了改进，此类分诊系统极大依赖护士的主观判断，因此容易出现人为错误。在此，我们提出一种基于词注意力机制的新型深度模型，用于预测急诊科患者所需资源的数量。我们的方法融合了常规可用的连续与名义（结构化）数据以及医疗文本（非结构化）数据，包括某大型城市医院三年内 338,500 次急诊就诊所收集的患者主诉、既往病史、用药清单和护士评估。使用结构化与非结构化数据，所提方法在识别资源密集型患者任务（二分类）上达到约 88% 的 AUC，在预测资源数量确切类别任务（多分类）上达到约 44% 的准确率，相较护士表现准确率估计提升 16%。此外，所提模型的注意力机制通过为护士记录分配注意力分数提供可解释性，这对于在面向人类健康的真实系统中进行决策与实施此类方法至关重要。
引用
@article{arxiv.1804.03240,
title = {Deep Attention Model for Triage of Emergency Department Patients},
author = {Djordje Gligorijevic and Jelena Stojanovic and Wayne Satz and Ivan Stojkovic and Kathrin Schreyer and Daniel Del Portal and Zoran Obradovic},
journal= {arXiv preprint arXiv:1804.03240},
year = {2018}
}
备注
Proceedings of the 2018 SIAM International Conference on Data Mining (SDM 2018), San Diego, CA, May 2018. *Authors contributed equally