基于电子健康档案的标签依赖与事件引导可解释疾病风险预测
人工智能
2024-11-12 v1
摘要
电子健康档案(EHRs)包含从参与患者诊疗的医疗机构收集的异质数据,包括医疗记录、临床事件、实验室检测结果、症状和诊断。在现代医疗领域,基于患者 EHRs 预测其是否会经历任何风险已成为一个有前景的研究方向,其中人工智能(AI)发挥着关键作用。为使 AI 模型具有实际适用性,要求预测结果既准确又可解释。为实现该目标,本文提出一种标签依赖与事件引导的风险预测模型(LERP),主要通过从非结构化医疗记录中提取信息来预测多种疾病风险的存在。我们的模型具有以下特点。首先,我们采用标签依赖机制,对医疗记录中语义上类似于风险标签名称的词语给予更大关注。其次,由于临床事件(如治疗和药物)也能指示患者健康状况,我们的模型利用事件信息并用以生成医疗记录的事件引导表示。第三,标签依赖与事件引导表示被整合以进行鲁棒预测,其中可解释性由对医疗记录词语的注意力权重实现。为证明所提方法的适用性,我们将其应用于包含从医院收集的真实世界 EHRs 的 MIMIC-III 数据集。我们的方法从定量与定性两方面进行了评估。
引用
@article{arxiv.2201.06783,
title = {Label-dependent and event-guided interpretable disease risk prediction using EHRs},
author = {Shuai Niu and Yunya Song and Qing Yin and Yike Guo and Xian Yang},
journal= {arXiv preprint arXiv:2201.06783},
year = {2024}
}