利用基于医疗实体的卷积与多模态学习改进临床结局预测
机器学习
2020-12-01 v2 计算与语言
信息检索
摘要
早期预测患者死亡率与住院时长（LOS）对于挽救患者生命与医院资源管理至关重要。电子健康记录（EHR）的可用性对医疗领域产生重大影响，且已出现若干预测临床问题的工作。然而，许多研究因临床笔记的稀疏与高维特性而未利用其优势。本工作中，我们从临床笔记中提取医疗实体，并将其作为除时间序列特征外的附加特征以改进预测。我们提出一种基于卷积的多模态架构，不仅有效学习医疗实体与患者的时间序列 ICU 信号的组合，还允许我们比较不同嵌入技术（如 Word2vec、FastText）在医疗实体上的效果。实验中，我们所提方法稳健地优于所有其他基线模型，包括用于全部临床任务的不同多模态架构。所提方法的代码见 https://github.com/tanlab/ConvolutionMedicalNer。
引用
@article{arxiv.2011.12349,
title = {Improving Clinical Outcome Predictions Using Convolution over Medical Entities with Multimodal Learning},
author = {Batuhan Bardak and Mehmet Tan},
journal= {arXiv preprint arXiv:2011.12349},
year = {2020}
}
备注
21 pages, 2 figures, Submitted to Elsevier (Artificial Intelligence in Medicine)