MPLite：基于实验室结果的多维预训练用于挖掘临床健康记录
机器学习
2024-11-19 v1 人工智能
摘要
医疗保健领域的数字系统的采用导致了大量电子健康记录（EHR）的积累，这些记录为机器学习方法预测患者健康结果提供了宝贵的数据。然而，由于缺乏下一次就诊信息的注释，患者的单次就诊记录往往在训练过程中被忽视，这会限制机器学习模型的预测和表达能力。本文提出一种新型框架 MPLite，该框架通过轻型神经网络利用基于实验室结果的多维预训练来增强医学概念表示并预测个体的未来健康结果。通过整合结构化医疗数据和来自实验室结果的额外信息，我们的方法充分利用了患者住院记录。我们设计了一个预训练模块，用于基于实验室结果预测医学代码，确保通过融合多个特征维度来实现稳健的预测。我们的实验评估使用了 MIMIC-III 和 MIMIC-IV 数据集，显示与现有模型相比，MPLite 在诊断预测和心力衰竭预测任务中取得了更好的加权-F1 和召回率。本工作揭示了整合数据多样性以推进医疗预测建模的潜力。
引用
@article{arxiv.2411.11161,
title = {MPLite: Multi-Aspect Pretraining for Mining Clinical Health Records},
author = {Eric Yang and Pengfei Hu and Xiaoxue Han and Yue Ning},
journal= {arXiv preprint arXiv:2411.11161},
year = {2024}
}