面向构建问题导向病历的知识库补全
机器学习
2020-08-10 v2 计算与语言
机器学习
摘要
电子健康档案与个人健康档案通常按数据类型组织，医疗问题、用药、操作和实验室结果按时间顺序排在图表的不同区域。因此，难以找到回答给定医疗问题临床疑问的所有相关信息。一种有前景的替代方案是按问题组织，将相关用药、操作及其他 pertinent 信息归组在一起。Buchanan (2017) 近期通过专家共识手动定义了11个医疗问题及各自相关的实验室与用药。我们展示了如何对电子健康档案使用机器学习，自动构建这些基于问题的相关用药、操作和实验室检查分组。我们将该学习任务表述为知识库补全，并标注了一个将问题集从11扩展至32的数据集。我们开发了利用预训练概念嵌入及来自大型卫生系统纵向数据集的概念使用数据的模型架构。我们评估了算法建议相关用药、操作和实验室检查的能力，发现该方法即便对训练期间隐藏的问题也能提供可行建议。该数据集及复现结果的代码见 https://github.com/asappresearch/kbc-pomr。
引用
@article{arxiv.2004.12905,
title = {Knowledge Base Completion for Constructing Problem-Oriented Medical Records},
author = {James Mullenbach and Jordan Swartz and T. Greg McKelvey and Hui Dai and David Sontag},
journal= {arXiv preprint arXiv:2004.12905},
year = {2020}
}
备注
MLHC 2020