基于多源迁移学习的 COVID-19 患者急诊复诊预测
机器学习
2023-07-03 v1 人工智能
计算与语言
摘要
2019 冠状病毒病（COVID-19）已引发全球范围内严重程度显著的疫情。除高传染性外，COVID-19 的临床病程具有异质性，可从无症状携带者到严重且潜在危及生命的健康并发症。许多患者在出院后短时间内不得不复诊急诊室（ER），这显著增加了医务人员的工作负担。早期识别此类患者对于帮助医生聚焦于治疗危及生命病例至关重要。在本研究中，我们获取了 2020 年 3 月至 2021 年 1 月期间匹兹堡大学医学中心下属 13 个急诊室的 3,210 次就诊的电子健康记录（EHRs）。我们利用自然语言处理技术 ScispaCy 提取临床概念，并使用最常出现的 1,001 个概念来开发针对急诊 COVID-19 患者的 7 天复诊模型。我们从 13 个急诊室收集的研究数据可能存在分布差异，从而影响模型开发。为解决该问题，我们采用了一种称为域对抗神经网络（DANN）的经典深度迁移学习方法，并评估了不同的建模策略，包括 Multi-DANN 算法、Single-DANN 算法以及三种基线方法。结果表明，在预测 COVID-19 患者出院后 7 天内急诊复诊方面，Multi-DANN 模型优于 Single-DANN 模型与基线模型。值得注意的是，Multi-DANN 策略有效解决了多源域间的异质性，并改善了源数据对目标域的适配。此外，Multi-DANN 模型的高性能表明，EHRs 对于开发预测模型以识别极可能在出院后 7 天内复诊急诊的 COVID-19 患者具有信息价值。
引用
@article{arxiv.2306.17257,
title = {Prediction of COVID-19 Patients' Emergency Room Revisit using Multi-Source Transfer Learning},
author = {Yuelyu Ji and Yuhe Gao and Runxue Bao and Qi Li and Disheng Liu and Yiming Sun and Ye Ye},
journal= {arXiv preprint arXiv:2306.17257},
year = {2023}
}
备注
to appear at ICHI 2023