利用近无限病史的通用检索增强医疗预测模型
机器学习
2024-07-23 v4 计算与语言
摘要
机器学习(ML)近期在使用电子健康记录(EHRs)的医疗预测中展现出有前景的结果。然而，由于 ML 模型通常在输入规模上能力有限，有必要从 EHRs 中选择特定医疗事件作为输入。这一选择过程常依赖专家意见，可能导致开发瓶颈。我们提出检索增强医疗预测模型(REMed)以应对此类挑战。REMed 本质上可评估无限的医疗事件，筛选出相关事件并作出预测。这允许不受限的输入规模，消除了人工事件选择的需要。我们通过涉及四个独立队列中 27 项临床预测任务的实验验证了这些特性，其中 REMed 优于基线模型。值得注意的是，我们发现 REMed 的偏好与医疗专家高度一致。我们期望该方法通过最小化临床医生的人工参与需求，显著加快 EHR 预测模型的开发。
引用
@article{arxiv.2310.20204,
title = {General-Purpose Retrieval-Enhanced Medical Prediction Model Using Near-Infinite History},
author = {Junu Kim and Chaeeun Shim and Bosco Seong Kyu Yang and Chami Im and Sung Yoon Lim and Han-Gil Jeong and Edward Choi},
journal= {arXiv preprint arXiv:2310.20204},
year = {2024}
}
备注
The source codes corresponding to this paper are available at: https://github.com/starmpcc/REMed