融合多类型临床笔记预测再入院的多模态集成方法
计算与语言
2019-06-05 v1 机器学习
机器学习
摘要
电子健康记录（EHRs）已被大量用于预测再入院或死亡率等各种下游临床任务。EHRs中的一种模态——临床笔记，由于其非结构化和难解释的性质，尚未被充分探索用于这些任务。尽管深度学习（DL）的最新进展使模型能从非结构化数据中提取可解释特征，但它们通常需要大量训练数据。然而，医学领域的许多任务天然由小样本数据和冗长文档构成；以肾移植为例，主要医院仅有几千名患者的数据可用，且每位患者的文档包含数百万词。因此，复杂的DL方法无法应用于此类领域。在本文中，我们提出一个使用向量空间建模和主题建模的综合集成模型。我们提出的模型在肾移植患者再入院任务上进行了评估，相较之前使用结构化数据的最先进方法，c-统计量提升了0.0211，而典型DL方法未能超越该方法。所提出的架构为来自结构化与非结构化数据两种模态的每个特征提供可解释分数，并通过医师评估显示其具有意义。
引用
@article{arxiv.1906.01498,
title = {Multimodal Ensemble Approach to Incorporate Various Types of Clinical Notes for Predicting Readmission},
author = {Bonggun Shin and Julien Hogan and Andrew B. Adams and Raymond J. Lynch and Rachel E. Patzer and Jinho D. Choi},
journal= {arXiv preprint arXiv:1906.01498},
year = {2019}
}
备注
4 pages, IEEE BHI 2019