患者轨迹预测：结合临床笔记与Transformer
机器学习
2025-02-26 v1
摘要
从电子健康记录（EHRs）中预测疾病轨迹是一项复杂任务，面临数据非平稳性、医学编码高粒度以及多模态数据融合等重大挑战。EHRs包含结构化数据（如诊断编码）和非结构化数据（如临床笔记），后者包含常被忽略的关键信息。当前主要基于结构化数据的模型难以捕捉患者的完整医学语境，导致有价值信息的丢失。为解决这一问题，我们提出一种将非结构化临床笔记整合到基于Transformer的深度学习模型中用于序列疾病预测的方法。这种整合丰富了患者医学史的表示，从而提高了诊断预测的准确性。在MIMIC-IV数据集上的实验表明，所提方法优于仅依赖结构化数据的传统模型。
引用
@article{arxiv.2502.18009,
title = {Patient Trajectory Prediction: Integrating Clinical Notes with Transformers},
author = {Sifal Klioui and Sana Sellami and Youssef Trardi},
journal= {arXiv preprint arXiv:2502.18009},
year = {2025}
}