FineEHR:精炼临床笔记表示以改善死亡预测
人工智能
2023-05-05 v2
摘要
监测重症监护病房(ICU)患者的健康状况是提供优质护理与治疗的关键环节。大规模电子健康记录(EHR)的可用性与丰富的临床文本及生命体征数据,使机器学习模型能够做出高度准确的预测。尽管用于临床笔记分析的先进自然语言处理(NLP)算法不断涌现,但原始临床数据中复杂的文本结构与噪声带来了重大挑战。缺乏领域特定精炼的粗粒度嵌入方法限制了这些算法的准确性。为解决此问题,我们提出FINEEHR,一种利用度量学习与微调两种表示学习技术来精炼临床笔记嵌入的系统,同时借助不同健康状态与笔记类别间的内在关联。我们在真实世界的MIMIC III数据集上采用曲线下面积(AUC)与AUC-PR两项指标评估FINEEHR的性能。实验结果表明,两种精炼方法均提升了预测准确率,且二者结合效果最佳。此外,我们所提方法优于先前工作,AUC提升超过10%,在各分类器上平均AUC达96.04%、平均AUC-PR达96.48%。
引用
@article{arxiv.2304.11794,
title = {FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction},
author = {Jun Wu and Xuesong Ye and Chengjie Mou and Weinan Dai},
journal= {arXiv preprint arXiv:2304.11794},
year = {2023}
}
备注
The 11th International Symposium on Digital Forensics and Security (Full Paper, Oral Presentation)