通过不规则多模态电子健康记录建模改进医疗预测
机器学习
2023-06-07 v2 人工智能
摘要
重症监护病房（ICU）中患者的健康状况通过电子健康记录（EHR）进行监测，EHR 由数值时间序列和冗长的临床笔记序列组成，两者均以不规则时间间隔采集。处理每种模态中的这种不规则性，并将不规则性整合到多模态表示中以改进医疗预测，是一个具有挑战性的问题。我们的方法首先通过以下方式处理每种单一模态中的不规则性：（1）通过门控机制将手工设计的插补嵌入动态整合到学习到的插值嵌入中，对不规则时间序列进行建模；（2）将一系列临床笔记表示视为多元不规则时间序列，并通过时间注意力机制处理不规则性。我们进一步通过跨时间步的交错注意力机制在多模态融合中整合不规则性。据我们所知，这是首个彻底对多模态中的不规则性进行建模以改进医疗预测的工作。我们提出的方法在两项医疗预测任务上，在单一模态和多模态融合场景中均一致优于最先进的（SOTA）基线。具体而言，我们观察到时间序列、临床笔记和多模态融合的 F1 分别相对提升 6.5%、3.6% 和 4.3%。这些结果证明了我们方法的有效性以及考虑多模态 EHR 中不规则性的重要性。
引用
@article{arxiv.2210.12156,
title = {Improving Medical Predictions by Irregular Multimodal Electronic Health Records Modeling},
author = {Xinlu Zhang and Shiyang Li and Zhiyu Chen and Xifeng Yan and Linda Petzold},
journal= {arXiv preprint arXiv:2210.12156},
year = {2023}
}