语言模型是电子健康记录数据的一种有效患者表示学习技术
计算与语言
2020-05-14 v2 机器学习
机器学习
摘要
电子健康记录（EHRs）的广泛采用推动了利用机器学习构建各种临床结局预测模型的发展。这一过程常受限于用于训练模型的患者记录数量相对较少。我们证明，采用受自然语言处理技术启发的患者表示方案，可将从整个患者群体学到的信息迁移到特定模型的训练任务中（仅群体子集相关），从而提高临床预测模型的准确性。相较于标准基线，此类患者表示方案在五项预测任务上使 AUROC 平均提升 3.5%，而在仅能提供少量患者记录训练临床预测模型时，平均提升升至 19%。
引用
@article{arxiv.2001.05295,
title = {Language Models Are An Effective Patient Representation Learning Technique For Electronic Health Record Data},
author = {Ethan Steinberg and Ken Jung and Jason A. Fries and Conor K. Corbin and Stephen R. Pfohl and Nigam H. Shah},
journal= {arXiv preprint arXiv:2001.05295},
year = {2020}
}