基于引导多头注意力从临床笔记中动态提取特定结局的问题列表
信息检索
2020-08-05 v1 机器学习
摘要
问题列表旨在为临床医生提供患者医疗问题的相关摘要，并嵌入于许多电子健康记录系统中。尽管其重要，问题列表常混杂已解决或当前无关的疾病。本工作中，我们开发了一种新颖的端到端框架，首先从临床笔记中提取诊断和处置信息，随后利用提取的医疗问题预测患者结局。该框架在该领域内较现有模型性能更优且更具可解释性，对ICU出院后再入院和院内死亡的AU-ROC分别达到0.710和0.869。我们识别了再入院与死亡两种结局的风险因素，并证明框架可用于构建动态问题列表，呈现临床问题及其量化重要性。我们与医学专家进行了定性用户研究，表明他们对该框架生成的列表评价积极，并认为其是比强基线更有效的临床决策支持工具。
引用
@article{arxiv.2008.01197,
title = {Dynamically Extracting Outcome-Specific Problem Lists from Clinical Notes with Guided Multi-Headed Attention},
author = {Justin Lovelace and Nathan C. Hurley and Adrian D. Haimovich and Bobak J. Mortazavi},
journal= {arXiv preprint arXiv:2008.01197},
year = {2020}
}
备注
To appear in the proceedings of the Machine Learning for Healthcare Conference (MLHC) 2020. Accepted papers can be viewed at https://www.mlforhc.org/accepted-papers