用于临床笔记表型预测的混合型深度学习方法
计算与语言
2023-03-14 v3 信息检索
摘要
从二级电子健康记录中的临床笔记识别患者队列是临床信息管理中的一项基本任务。然而，随着临床笔记数量的增长，手动分析数据以进行表型检测变得具有挑战性。临床概念的自动提取有助于正确识别患者表型。本文提出一种新颖的混合模型，利用自然语言处理和深度学习模型自动提取患者表型，以在无词典和人工干预的情况下确定患者表型。该模型基于神经双向序列模型（BiLSTM 或 BiGRU）和用于表型识别的 CNN 层。一个额外的 CNN 层与混合模型并行运行，以提取与每个表型相关的更多特征。我们分别使用预训练嵌入如 FastText 和 Word2vec 作为输入层来评估其他嵌入的性能。使用 MIMIC III 数据库在内部比较中的实验结果表明，所提模型相比现有模型取得了显著的性能提升。带有额外 CNN 层的增强版模型获得了比原始混合模型相对更高的 F1-score。我们还表明，具有 FastText 嵌入的 BiGRU 层比 BiLSTM 层在识别患者表型方面具有更好的性能。
引用
@article{arxiv.2108.10682,
title = {Hybrid deep learning methods for phenotype prediction from clinical notes},
author = {Sahar Khalafi and Nasser Ghadiri and Milad Moradi},
journal= {arXiv preprint arXiv:2108.10682},
year = {2023}
}