HiPAL：基于电子健康记录活动日志的医师职业倦怠深度预测框架
机器学习
2022-07-12 v2
摘要
职业倦怠是影响近半数医疗劳动力的重大公共卫生问题。本文提出了首个基于电子健康记录（EHR）活动日志预测医师职业倦怠的端到端深度学习框架，活动日志是任何 EHR 系统中均可获取的医师工作活动的数字痕迹。与先前仅依赖调查测量倦怠的方法不同，我们的框架直接从大规模临床医师活动日志中学习医师行为的深度表示以预测倦怠。我们提出了基于活动日志的分层倦怠预测（HiPAL），其具有为活动日志定制的预训练时间相关活动嵌入机制以及分层预测模型，该模型映射临床医师活动日志的自然分层结构，并在短期与长期层面捕捉医师不断演变的倦怠风险。为利用大量无标签活动日志，我们提出了一种半监督框架，学习将从无标签临床医师活动中提取的知识迁移至基于 HiPAL 的预测模型。在大型学术医疗中心 EHR 收集的超过 1500 万条临床医师活动日志上的实验表明，相较于最先进方法，我们所提框架在医师倦怠预测性能与训练效率方面均具优势。
引用
@article{arxiv.2205.11680,
title = {HiPAL: A Deep Framework for Physician Burnout Prediction Using Activity Logs in Electronic Health Records},
author = {Hanyang Liu and Sunny S. Lou and Benjamin C. Warner and Derek R. Harford and Thomas Kannampallil and Chenyang Lu},
journal= {arXiv preprint arXiv:2205.11680},
year = {2022}
}
备注
11 pages including appendices. Accepted by KDD'22