专家知识影响评估：基于自动知识驱动特征工程的决策支持得分效应

不良药物事件（ADE）因其对患者安全和成本的重大影响，构成医疗保健的重要挑战。本研究评估了用于从电子健康记录（EHR）数据中改进 ADE 预测的自动知识驱动特征工程（aKDFE），并将其与基于事件的知识发现在数据库中的自动方法（KDD）进行比较。我们检验了纳入特定于 ADE 风险评分（针对延长心脏 QT 间期）、从 Janusmed 风险概览（Janusmed）临床决策支持系统（CDSS）提取的风险评分，是否影响使用 EHR 数据和药物处理事件的预测性能。结果表明，尽管 aKDFE 步骤 1（基于事件的特征生成）本身未显著提升 ADE 预测性能，但 aKDFE 步骤 2（患者中心转换）可显著提升预测性能。高的受试者工作特征曲线下面积（AUROC）值表明特征与结果之间存在强相关性，这与患者既往医疗史对 ADE 的预测能力相吻合。统计分析未确认将 Janusmed 信息（i）风险评分和（ii）药物给药途径纳入模型特征集是否增强了预测性能。然而，aKDFE 所采用的患者中心转换证明是极其有效的特征工程方法。局限性包括单一项目焦点、机器学习管道方法可能带来的偏见，以及依赖 AUROC。结论表明，尤其是配合患者中心转换，aKDFE 可提升从 EHR 数据中进行 ADE 预测。未来工作将探索基于注意力的模型、事件特征序列以及自动将领域知识纳入 aKDFE 框架的方法。