从患者记录推断实际治疗路径
机器学习
2023-11-28 v3 人工智能
摘要
治疗路径是为特定疾病推荐医疗护理的逐步计划；当发现不同治疗可改善患者结局时，这些路径会被修订。检查健康记录是此修订过程的重要部分，但由于复杂的事件编码方案以及缺乏路径相关标注，从健康数据推断患者的实际治疗具有挑战性。本研究旨在从行政健康记录（AHR）——一种常见的表格型医疗数据——推断特定患者群体的实际治疗步骤，并解决治疗路径推断研究中若干基于技术与方法的空白。我们提出 Defrag，一种用于检查 AHR 以推断特定患者群体真实治疗步骤的方法。Defrag 学习医疗事件序列的语义与时间含义，使其能从复杂的医疗数据可靠推断治疗步骤。据我们所知，Defrag 是首个利用神经网络（NN）的路径推断方法，该途径得益于一种新颖的自监督学习目标。我们还开发了用于路径推断的测试与验证框架，并借此刻画和评估 Defrag 的路径推断能力，并与基线比较。我们通过从公共医疗记录中识别乳腺癌、肺癌和黑色素瘤的最佳实践路径片段来展示 Defrag 的有效性。此外，我们使用合成数据实验展示 Defrag 方法的特征，并将其与若干基线比较，其显著优于非 NN 基方法。Defrag 显著优于若干现有路径推断方法，并为从 AHR 推断治疗路径提供了创新且有效的途径。我们提供开源代码以鼓励该领域的进一步研究。
引用
@article{arxiv.2309.01897,
title = {Inferring Actual Treatment Pathways from Patient Records},
author = {Adrian Wilkins-Caruana and Madhushi Bandara and Katarzyna Musial and Daniel Catchpoole and Paul J. Kennedy},
journal= {arXiv preprint arXiv:2309.01897},
year = {2023}
}