面向医疗条件识别的可解释层次注意力网络
机器学习
2024-12-06 v1
摘要
准确预测带有明确过去临床证据的医疗状况是医疗管理和健康保险领域长期憾事的研究对象。尽管已取得重要进展，但医学界仍对模型的准确性和可解释性持怀疑态度。本文提出一种创新的层次注意力深度学习模型，以实现更好的预测和清晰可解释，能够被医疗专业人员轻松理解。本文开发了可解释层次注意力网络 (IHAN)。IHAN采用与医疗历史数据结构相匹配的层次注意力结构，反映患者遇见 (服务日期) 的序列。该模型的注意力结构包含3个层次：(1) 对医疗代码类型 (诊断代码、程序代码、实验室检测结果和处方药) 的注意力; (2) 对同一类型内依次出现的医疗 encounters 的注意力; (3) 对单个 encounter 和类型的医疗代码的注意力。该模型用于预测3期慢性肾病 (CKD) 的发生情况，使用来自美国全国健康保险公司的 Medicare Advantage (MA) 成员的三年医疗历史数据。该模型以成员的医疗事件(包括索赔和电子医疗记录 (EMR) 数据) 为输入，预测3期CKD的发生，并计算来自单个事件的贡献。
引用
@article{arxiv.2412.03701,
title = {Interpretable Hierarchical Attention Network for Medical Condition Identification},
author = {Dongping Fang and Lian Duan and Xiaojing Yuan and Allyn Klunder and Kevin Tan and Suiting Cao and Yeqing Ji and Mike Xu},
journal= {arXiv preprint arXiv:2412.03701},
year = {2024}
}