利用电子健康记录数据的多模态学习用于心血管风险预测

电子健康记录（EHRs）包含具有显著临床与研究价值的结构化与非结构化数据。已开发多种机器学习方法以利用 EHRs 中的信息进行风险预测。然而，这些尝试大多聚焦于 EHR 结构化字段，丢失了非结构化文本中的海量信息。为挖掘 EHRs 中的潜在信息，本研究提出一种用于心血管风险预测的多模态循环神经网络模型，其融合了医学文本与结构化临床信息。所提多模态双向长短期记忆（BiLSTM）模型在将词嵌入应用于最终全连接神经网络之前，将其与经典临床预测因子拼接。实验中，我们在使用临床变量与胸部 X 光放射报告的场景下比较了包括卷积神经网络与长短期记忆在内的不同深度神经网络（DNN）架构的性能。在具有明确血管疾病或心血管高危的真实世界患者数据集上评估，所提 BiLSTM 模型展现出最先进性能并优于其他 DNN 基线架构。