电子健康记录的深度表示学习以实现规模化患者分层
定量方法
2020-07-21 v2 机器学习
机器学习
摘要
从电子健康记录（EHRs）中推导疾病亚型可指导下一代个性化医疗。然而，患者数据汇总与表示方面的挑战阻碍了可扩展的基于 EHR 的分层分析的广泛应用。在此我们提出一种基于深度学习的无监督框架，用于处理异构 EHR 并推导患者表示，从而高效且有效地实现规模化患者分层。我们考虑了来自多样化医院队列的 1,608,741 名患者的 EHR，共包含 57,464 个临床概念。我们引入一种基于词嵌入、卷积神经网络和自编码器（即 ConvAE）的表示学习模型，将患者轨迹转换为低维潜在向量。我们通过将层次聚类应用于不同的多疾病和特定疾病患者队列，评估了这些表示作为广泛启用患者分层的能力。在识别不同复杂病症患者的聚类任务中，ConvAE 显著优于若干基线，平均熵为 2.61、纯度为 0.31。当应用于对某一病症内患者分层时，ConvAE 为包括 2 型糖尿病、帕金森病和阿尔茨海默病在内的不同疾病导出多种临床相关亚型，主要与合并症、疾病进展和症状严重程度相关。基于这些结果，我们证明 ConvAE 能生成带来临床意义洞察的患者表示。该可扩展框架有助于更好地理解异构亚群中不同病因，并释放个性化医疗领域基于 EHR 研究的模式。
引用
@article{arxiv.2003.06516,
title = {Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale},
author = {Isotta Landi and Benjamin S. Glicksberg and Hao-Chih Lee and Sarah Cherng and Giulia Landi and Matteo Danieletto and Joel T. Dudley and Cesare Furlanello and Riccardo Miotto},
journal= {arXiv preprint arXiv:2003.06516},
year = {2020}
}
备注
C.F. and R.M. share senior authorship