基于电子病历的医学知识表示与推理：结合马尔可夫随机场与分布式表示学习
人工智能
2017-09-21 v1
摘要
目的：电子病历包含大量可用于临床决策支持（CDS）的医学知识。我们的目标是构建一个通用系统，能够提取并表示EMR中蕴含的这些知识，以在给定患者病情的条件下支持三项CDS任务：检查推荐、初步诊断和治疗方案推荐。方法：我们从病历中提取了四类医学实体，并构建了基于EMR的医学知识网络（EMKN），其中节点为实体，边反映它们在同一条记录中的共现关系。从EMKN中提取了三个二部子图（二分图）以支持每项任务。二分图的一部分为给定病情（如症状），另一部分为待推断病情（如疾病）。每个二分图被视为一个马尔可夫随机场以支持推断。提出了三个惰性能量函数和一个基于参数的能量函数，以及两个基于知识表示学习的能量函数，它们可以提供医学实体的分布式表示。采用三种指标进行性能评估。结果：在初步诊断任务中，80.11%的测试记录从排名前10的候选中识别出至少一种正确疾病。检查推荐和治疗推荐的结果分别为87.88%和92.55%。这些结果共同表明，所提出的系统优于基线方法。医学实体的分布式表示确实反映了知识层面的相似性关系。结论：将EMKN与MRF相结合是进行通用医学知识表示与推理的有效方法。然而，不同的任务需要单独设计其能量函数。
引用
@article{arxiv.1709.06908,
title = {EMR-based medical knowledge representation and inference via Markov random fields and distributed representation learning},
author = {Chao Zhao and Jingchi Jiang and Yi Guan},
journal= {arXiv preprint arXiv:1709.06908},
year = {2017}
}