基于深度学习从临床笔记预测心力衰竭再入院
计算与语言
2019-12-24 v1 机器学习
机器学习
摘要
心力衰竭住院给医疗系统带来沉重负担。如何预测并由此预防再入院一直是结局研究中的重大挑战。为此，我们提出一种深度学习方法来从临床笔记预测再入院。与使用结构化数据进行预测的传统方法不同，我们利用非结构化临床笔记基于卷积神经网络（CNN）训练深度学习模型。随后我们使用训练好的模型对潜在的高风险入院/患者进行分类和预测。在评估中，我们使用 MIMIC III 数据库中的出院小结笔记训练 CNN，并使用相同数据集基于随机森林训练常规机器学习模型。结果表明深度学习模型在预测任务上优于常规模型。CNN 方法在一般再入院预测中取得 0.756 的 F1 分数，在 30 天再入院预测中取得 0.733，而随机森林分别仅取得 0.674 和 0.656。我们还提出一种基于卡方检验的方法来解释与深度学习预测再入院相关的关键特征，揭示了临床笔记中蕴含的关于再入院的临床见解。总体而言，我们的方法能使人工评估过程更高效，并有可能有助于降低再入院率。
引用
@article{arxiv.1912.10306,
title = {Predicting Heart Failure Readmission from Clinical Notes Using Deep Learning},
author = {Xiong Liu and Yu Chen and Jay Bae and Hu Li and Joseph Johnston and Todd Sanger},
journal= {arXiv preprint arXiv:1912.10306},
year = {2019}
}
备注
IEEE BIBM 2019