基于多模态电子健康记录的机器学习研究：挑战与展望
机器学习
2021-11-10 v1
摘要
背景：电子健康记录（EHRs）包含患者健康史的丰富信息，通常包括结构化数据和非结构化数据。已有许多研究关注从结构化数据（如疾病编码、实验室检测结果和治疗）中提取有价值的信息。然而，仅依赖结构化数据可能不足以反映患者的全面信息，且此类数据偶尔可能包含错误记录。目的：随着机器学习（ML）和深度学习（DL）技术的最新进展，越来越多的研究试图通过同时纳入非结构化自由文本数据来获得更准确的结果。本文综述了使用多模态数据（即结构化与非结构化数据的组合）从EHRs中作为传统ML或DL模型输入以解决目标任务的研究。材料与方法：我们在电气与电子工程师协会（IEEE）数字图书馆、PubMed和计算机协会（ACM）数字图书馆中检索与基于ML的多模态EHR研究相关的文章。结果与讨论：在最终纳入的94项研究中，我们重点关注不同模态的数据如何使用传统ML和DL技术进行组合与交互，以及这些算法如何应用于EHR相关任务。此外，我们探讨了这些融合方法的优势与局限，并指出基于ML的多模态EHR研究的未来方向。
引用
@article{arxiv.2111.04898,
title = {Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives},
author = {Ziyi Liu and Jiaqi Zhang and Yongshuai Hou and Xinran Zhang and Ge Li and Yang Xiang},
journal= {arXiv preprint arXiv:2111.04898},
year = {2021}
}
备注
37 pages, 3 tables, 2 figures, to be submitted to JAMIA