利用血液检测、半结构化与非结构化病历的多模态机器学习早期检测炎症性关节以优化转诊
机器学习
2024-08-01 v3
摘要
炎症性关节（IA）的早期检测对于高效、准确的医院转诊分诊、及时治疗和防止 IA 病程恶化至关重要，尤其在医疗资源有限的情况下。人工评估是实践中 IA 早期检测最常用的方法，但极其耗费人力且效率低下。每次从全科诊所（GP）向医院转诊都需要评估大量临床信息。机器学习在自动化重复性评估任务和提供 IA 早期检测决策支持方面展现出巨大潜力。然而，大多数基于机器学习的 IA 检测方法依赖于血液检测结果。但在实际中，血液检测数据在转诊时并非总可获得，因此需要利用半结构化和非结构化数据等多模态数据进行 IA 早期检测的方法。在本研究中，我们提出基于融合与集成学习的多模态数据方法，以辅助 IA 早期检测的决策部署，并提出一种基于保形预测的方法，用于量化预测不确定性并检测不可靠预测。据我们所知，我们的研究是首次尝试利用多模态数据从 GP 转诊中支持 IA 早期检测。
引用
@article{arxiv.2310.19967,
title = {Early detection of inflammatory arthritis to improve referrals using multimodal machine learning from blood testing, semi-structured and unstructured patient records},
author = {Bing Wang and Weizi Li and Anthony Bradlow and Antoni T. Y. Chan and Eghosa Bazuaye},
journal= {arXiv preprint arXiv:2310.19967},
year = {2024}
}
备注
We found some issues in data preprocessing, which will impact the final result. Therefore we would like to withdraw the paper