利用纵向结构化电子健康记录检测与预测氯吡格雷治疗失败
机器学习
2023-10-16 v1
摘要
我们提出机器学习算法，利用纵向结构化电子健康记录（EHR）自动检测与预测氯吡格雷治疗失败。通过将自然语言与结构化EHR类比，我们引入自然语言处理（NLP）应用中使用的多种机器学习算法来构建治疗失败检测与预测模型。为此，我们从UK Biobank生成一组有氯吡格雷处方的患者队列，并标注患者在首次氯吡格雷处方一年内是否发生治疗失败事件；在502,527名患者中，1,824名被识别为治疗失败病例，6,859名被视为对照病例。我们从数据集中按患者收集诊断、处方与操作记录，并按相同日期组织为就诊记录以构建模型。模型针对检测与预测两项不同任务构建，实验结果表明时间序列模型在两项任务中均优于词袋方法。特别地，基于Transformer的模型BERT在检测任务中达到0.928 AUC，在预测任务中达到0.729 AUC。BERT在训练数据不足时亦展现优于其他时间序列模型的能力，因其利用大规模无标注数据的预训练过程。
引用
@article{arxiv.2310.08757,
title = {Detection and prediction of clopidogrel treatment failures using longitudinal structured electronic health records},
author = {Samuel Kim and In Gu Sean Lee and Mijeong Irene Ban and Jane Chiang},
journal= {arXiv preprint arXiv:2310.08757},
year = {2023}
}