深度学习提升住院再入院预测：从临床文本中抽取生物医学概念
计算与语言
2024-04-09 v2 人工智能
摘要
住院再入院被定义为患者在出院后短时间内再次入院，这对患者结果和医疗费用产生深远影响。识别高风险患者可实现及时干预，从而降低再入院率和整体治疗成本。本研究聚焦于使用文本挖掘技术对电子健康记录（EHR）中出院报告文本进行处理，预测30天内的住院再入院风险。我们采用了多种机器学习和深度学习方法开发分类模型。其新颖之处在于利用Bio-Discharge Summary Bert（BDSS）模型 along with 主成分分析（PCA）特征提取对数据进行预处理，以适配深度学习模型输入。我们的分析表明，结合BDSS模型与多层感知器（MLP）的方法在MIMIC-III数据集上优于现有最先进的方法。该模型实现了94%的召回率和75%的ROC曲线下面积（AUC），展示了其在预测患者住院再入院方面的有效性。本研究通过将文本挖掘技术与深度学习算法集成，推动了医疗保健领域预测建模的发展，旨在改善患者结果并优化资源配置。
引用
@article{arxiv.2403.09722,
title = {Enhancing Readmission Prediction with Deep Learning: Extracting Biomedical Concepts from Clinical Texts},
author = {Rasoul Samani and Mohammad Dehghani and Fahime Shahrokh},
journal= {arXiv preprint arXiv:2403.09722},
year = {2024}
}