通过学习医学笔记提升出院后死亡率预测准确性
机器学习
2026-05-06 v1
摘要
随着电子健康记录(EHR)数据的增加，越来越多的研究人员致力于开发机器学习模型从医学笔记中进行学习。这些非结构化文本数据在学习过程中带来显著挑战，因为数据质量较低。这些数据常常杂乱、重复且冗余。我们通过进行出院后死亡率预测任务，已证明这些笔记数据具有信息价值。使用医学笔记信息的模型的AUC-ROC通常比不使用医学笔记的模型高出约0.1。此外，我们提出一种带有'池化'机制的深度神经网络(DNN)模型来增强死亡率预测。基于实验结果，我们证明该提出方法优于像树基模型等传统机器学习模型。该方法从最具信息性的医学笔记中进行学习，显著提高了预测准确性。所提出模型的AUC-ROC在15天、30天、60天和365天出院后死亡率预测任务中分别比传统方法高出2%至14%。此外，我们可以通过传统方法和所提出方法发现一些有趣的知识。这些知识既有启发性又与先前发现相符。这些模型能够揭示医学笔记中具有信息性的关键词与文档与患者病情严重程度之间的关系。
引用
@article{arxiv.2605.03560,
title = {Enhance the after-discharge mortality rate prediction via learning from the medical notes},
author = {Zijiang Yang},
journal= {arXiv preprint arXiv:2605.03560},
year = {2026}
}