利用临床笔记对不良结局的可解释预测
机器学习
2019-11-13 v2 机器学习
摘要
临床笔记包含大量临床有价值的信息，但由于挖掘这些信息存在困难，许多临床决策支持系统忽略了它们。近期工作发现利用深度学习模型基于临床笔记预测临床结局取得了成功。然而，这些模型未能提供临床医生可用于知情临床照护的临床相关且可解释的信息。在本工作中，我们为一种流行的卷积模型增添注意力机制，并将其应用于非结构化临床笔记以预测 ICU 再入院与死亡率。我们发现注意力机制的加入带来了具有竞争力的性能，同时允许对预测进行直观解释。我们开发了清晰的 visualizations 来呈现个体预测与高风险队列的重要文本片段。随后我们进行了定性分析，并证明对于我们探索的所有结局，我们的模型始终关注叙述中临床有意义的部分。
引用
@article{arxiv.1910.14095,
title = {Explainable Prediction of Adverse Outcomes Using Clinical Notes},
author = {Justin R. Lovelace and Nathan C. Hurley and Adrian D. Haimovich and Bobak J. Mortazavi},
journal= {arXiv preprint arXiv:1910.14095},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract