基于混合文本特征建模的非结构化医师笔记疾病组预测
计算与语言
2019-11-27 v1 计算机与社会
机器学习
摘要
现有的临床决策支持系统（CDSSs）在很大程度上依赖结构化患者数据和电子健康记录（EHRs）的可用性来辅助医护人员。然而，在发展中国家医院中，结构化患者数据格式并未被广泛采用，医疗专业人员仍依赖以非结构化文本形式的临床笔记。医务人员记录的此类非结构化临床笔记也可能是丰富的患者特定信息的潜在来源，可用于构建CDSSs，即便对发展中国家医院亦然。若能利用此类非结构化临床文本，将不再需要耗时的人工EHR生成过程，从而大幅节省人力工时与成本。本文提出一种基于非结构化医师笔记、采用混合词嵌入建模的通用ICD9疾病组预测CDSS。这些词嵌入用于训练深度神经网络，以有效预测ICD9疾病组。实验评估表明，所提方法在AUROC上比基于结构化EHR构建的SOTA疾病组预测模型高出15%，在AUPRC上高出40%，从而证明了我们的假设并消除对结构化患者数据可用性的依赖。
引用
@article{arxiv.1911.11657,
title = {Hybrid Text Feature Modeling for Disease Group Prediction using Unstructured Physician Notes},
author = {Gokul S Krishnan and Sowmya Kamath S},
journal= {arXiv preprint arXiv:1911.11657},
year = {2019}
}
备注
Submitted to the International Conference on Computational Science (ICCS) 2020