基于本体的弱监督用于电子健康记录中的临床实体分类
计算与语言
2021-04-07 v2 机器学习
摘要
在电子健康记录中，利用临床笔记识别疾病等实体及其时间性（例如事件相对于时间索引的顺序）可为许多重要分析提供信息。然而，为临床实体任务创建训练数据耗时费力，且由于隐私问题，共享标注数据具有挑战性。COVID-19 疫情的信息需求凸显了为临床笔记训练机器学习模型的敏捷方法的必要性。我们提出 Trove，一个利用医学本体和专家生成规则进行弱监督实体分类的框架。与人工标注的笔记不同，我们的方法易于共享和修改，同时提供与从手动标注训练数据学习相媲美的性能。在这项工作中，我们在六个基准任务上验证了我们的框架，并展示了 Trove 分析斯坦福医疗中心急诊科就诊的 COVID-19 患者呈现症状与风险因素记录的能力。
引用
@article{arxiv.2008.01972,
title = {Ontology-driven weak supervision for clinical entity classification in electronic health records},
author = {Jason A. Fries and Ethan Steinberg and Saelig Khattar and Scott L. Fleming and Jose Posada and Alison Callahan and Nigam H. Shah},
journal= {arXiv preprint arXiv:2008.01972},
year = {2021}
}