用于临床信息检索的电子健康记录嵌入
信息检索
2018-11-14 v1 计算与语言
摘要
神经网络表示学习框架近来已证明在从基于数据驱动诊断的放射影像解读到临床决策支持等广泛任务上高度有效。这种常具优越性的性能以训练数据需求急剧增加为代价，而这在任一给定机构或场景中未必能得到满足。作为对抗此类数据稀疏效应的手段，远程监督通过依赖一项相关且资源丰富的任务进行训练，从而缓解对稀缺领域内数据的需求。本研究提出一个端到端神经临床决策支持系统，通过对著名的MIMIC-III集合（丰富资源）进行远程监督，为个体患者（可用资源稀少）推荐相关文献。我们的实验显示，相较于传统统计以及纯局部监督检索模型，检索效果有显著提升。
引用
@article{arxiv.1811.05402,
title = {Embedding Electronic Health Records for Clinical Information Retrieval},
author = {Xing Wei and Carsten Eickhoff},
journal= {arXiv preprint arXiv:1811.05402},
year = {2018}
}
备注
Published in AMIA Annual Symposium 2018