深度学习用于电子健康记录中的时序数据表示：挑战与方法学系统综述
机器学习
2024-06-11 v1
摘要
目的：时序电子健康记录（EHRs）可作为二次利用的丰富信息源，如临床事件预测或慢性病管理。然而，时序数据表示存在挑战。我们因而试图通过系统考察深度学习方案，识别这些挑战并评估应对它们的新颖方法学。方法：我们检索了五个数据库（PubMed、EMBASE、电气与电子工程师协会[IEEE] Xplore 数字图书馆、计算机协会[ACM]数字图书馆和 Web of Science），并辅以在若干知名计算机科学会议论文集中的手工检索。我们寻找 2010 年 1 月 1 日至 2020 年 8 月 30 日期间报道结构化 EHR 数据时序数据表示深度学习方法学的文章。我们从三个视角对入选文章进行总结与分析：时间序列性质、方法学及模型实现。结果：我们纳入了 98 篇关于使用时序数据表示深度学习的文章。识别出四大挑战，包括数据不规则性、数据异质性、数据稀疏性及模型不透明性。我们随后研究了深度学习技术如何应用于应对这些挑战。最后，我们讨论了一些源于深度学习的开放挑战。结论：时序 EHR 数据对临床预测建模与数据利用提出了若干主要挑战。当前深度学习方案在某种程度上可应对这些挑战。未来研究可考虑设计综合且集成的解决方案。此外，研究者应将额外的临床领域知识纳入研究设计，并增强模型的可解释性以促进其在临床实践中的实施。
引用
@article{arxiv.2107.09951,
title = {Deep learning for temporal data representation in electronic health records: A systematic review of challenges and methodologies},
author = {Feng Xie and Han Yuan and Yilin Ning and Marcus Eng Hock Ong and Mengling Feng and Wynne Hsu and Bibhas Chakraborty and Nan Liu},
journal= {arXiv preprint arXiv:2107.09951},
year = {2024}
}