基于隐式反馈与有限患者元数据的专科医生推荐极端多标签分类
机器学习
2023-08-23 v1
摘要
推荐系统（RS）常被用于解决医疗医生转诊问题。然而，这些系统需要访问患者反馈和医疗记录，而在现实场景中这些未必总可获得。我们的研究聚焦于医疗转诊，旨在为无问诊史的新患者及有问诊史的患者预测不同专科医生的推荐。我们采用常用于文本分类任务的极端多标签分类（XML）来编码可用特征并探索不同场景。尽管文献中常提及 XML 用于推荐任务的潜力，但尚未被充分探究。受医生转诊案例启发，我们展示了如何将传统推荐场景重构为当前 XML 方法可解决的多标签分类问题。此外，我们提出了一种利用跨专科患者病史的统一模型。相较于使用相同特征的最先进 RS，我们的方法对有问诊史患者的标准推荐指标持续提升约达 。对于新患者，XML 更善于利用可用特征，在有利场景下优于基准，尤其体现在召回率指标上。因此，我们的方法使构建更有效且个性化的医生转诊系统更近一步。此外，它凸显了 XML 作为当前混合或基于内容的 RS 的有前景替代方案，同时指出了将 XML 用于推荐任务时需考虑的关键方面。
引用
@article{arxiv.2308.11022,
title = {Extreme Multilabel Classification for Specialist Doctor Recommendation with Implicit Feedback and Limited Patient Metadata},
author = {Filipa Valdeira and Stevo Racković and Valeria Danalachi and Qiwei Han and Cláudia Soares},
journal= {arXiv preprint arXiv:2308.11022},
year = {2023}
}