如何利用多模态电子健康记录数据实现更好的医疗预测？

近年来，医疗健康正成为一个愈发重要的研究课题。随着医疗领域数据的增长，这为深度学习改善医疗服务质量提供了绝佳机遇。然而，电子健康记录（EHR）数据的复杂性对深度学习的应用构成了挑战。具体而言，住院期间由 EHR 系统监测产生的数据，包含如每日体温之类的结构化数据，以及如自由文本和实验室测量之类的非结构化数据。尽管已有一些针对特定 EHR 数据的预处理框架被提出，但包含显著临床价值的临床笔记超出了它们的考虑范围。此外，来自不同视角的这些不同数据是否都有益于医疗任务，以及如何最佳地利用这些数据，仍不明确。因此，在本文中，我们首先从 EHR 中提取伴随的临床笔记，并提出一种融合这些数据的方法，我们还全面研究了用于更好医疗任务预测的不同模型与数据利用方法。在两个医疗预测任务上的结果表明，我们融合不同数据的模型优于不含临床笔记的当前最优方法，这说明了我们融合方法的重要性以及临床笔记特征的价值。我们的代码可在 https://github.com/emnlp-mimic/mimic 获取。