Doctor2Vec：面向临床试验招募的动态医生表示学习
机器学习
2019-11-26 v1 计算机与社会
机器学习
摘要
海量的电子健康记录（EHRs）使得学习准确的患者表示以支持各类预测性健康应用成为可能。相比之下，尽管医生在医疗中扮演关键角色，医生表示却未得到充分研究。如何构建恰当的医生表示？如何利用医生表示解决重要的健康分析问题？本工作研究临床试验招募问题，即基于试验描述与这些医生的患者EHR数据，识别合适的医生来协助开展试验。我们提出doctor2vec，其同时学习1）来自EHR数据的医生表示，以及2）来自试验描述与类别信息的试验表示。具体而言，doctor2vec利用动态记忆网络，其中医生与患者的交互经验存储于记忆库中，网络通过注意力机制基于试验表示动态分配权重。在包含2,609项试验、25K名医生与430K名患者的大规模真实世界试验与EHR数据上验证，doctor2vec相较最佳基线在PR-AUC上提升高达。我们还证明doctor2vec嵌入可迁移至数据不足场景，包括人口较少或新探索国家的试验招募（PR-AUC提升）或罕见病（PR-AUC提升）。
引用
@article{arxiv.1911.10395,
title = {Doctor2Vec: Dynamic Doctor Representation Learning for Clinical Trial Recruitment},
author = {Siddharth Biswal and Cao Xiao and Lucas M. Glass and Elizabeth Milkovits and Jimeng Sun},
journal= {arXiv preprint arXiv:1911.10395},
year = {2019}
}
备注
Accepted by AAAI 2020