通过带有医疗概念嵌入的深度架构测量患者相似度

评估成对患者之间的临床相似度是医疗信息学中的一个基本问题。合适的患者相似度度量可支持各种下游应用，如队列研究和治疗效果比较研究。进行患者相似度研究的主要载体是电子健康记录(EHRs)，其通常具有异构性、纵向性和稀疏性。尽管现有的从 EHRs 中学习患者相似度的研究已表明在解决实际临床问题中很有用，但由于缺乏医学可解释性，其适用性受到限制。此外，大多数先前的方法假设患者具有基于向量的表示，这通常需要在一定时间段内聚合医疗事件。因此，时间信息将会丢失。在本文中，我们提出了一种基于纵向患者 EHRs 时间匹配的患者相似度评估框架。我们提出了两种有效的方法，无监督和有监督方法，两者均保留了 EHRs 中的时间属性。有监督方案采用卷积神经网络架构，并通过医疗概念嵌入学习患者临床记录的最优表示。在真实临床数据上的实证结果表明，相较于基线方法有显著改进。我们公开了我们的代码和样本数据以供进一步研究。