MedGraph:电子病历的结构与时间表示学习
机器学习
2020-07-24 v3 机器学习
摘要
电子病历(Electronic Medical Record, EMR)数据包含患者的历史就诊序列,每次就诊包含丰富信息,如患者人口统计学特征、医院利用情况以及医疗编码,包括诊断、操作和用药编码。大多数现有EMR嵌入方法通过将输入就诊表示构造为具有静态医疗编码词表的二值向量来捕获就诊-编码关联。受限于此种表示,它们无法封装就诊(人口统计学与利用信息)和/或编码(如医疗编码描述)的丰富属性信息。此外,当前工作将同一患者的就诊视为离散时间事件而忽略其时间间隔。然而,就诊间的时间间隔刻画了患者病史的动态性,对后续就诊产生不同影响。为克服这些局限,我们提出,一种有监督EMR嵌入方法,可捕获两类信息:(1)属性二部图中的就诊-编码关联,(2)通过点过程的就诊时间排序。为就诊与编码生成高斯嵌入以建模不确定性。我们通过广泛的实验研究评估的性能,表明其在若干医疗风险预测任务中优于state-of-the-art的EMR嵌入方法。
引用
@article{arxiv.1912.03703,
title = {$\mathtt{MedGraph:}$ Structural and Temporal Representation Learning of Electronic Medical Records},
author = {Bhagya Hettige and Yuan-Fang Li and Weiqing Wang and Suong Le and Wray Buntine},
journal= {arXiv preprint arXiv:1912.03703},
year = {2020}
}