基于深度学习和多模态电子健康记录的重症医学死亡率和资源利用预测
计算与语言
2025-08-29 v1
摘要
背景：从电子健康记录（EHR）中预测死亡率和资源利用对于优化重症医学 ICU 患者的疗效和管理成本具有挑战性也至关重要。现有方法主要关注结构化 EHR，往往忽视了自由文本笔记中宝贵的临床信息。此外，结构化数据中文本信息的潜力也未被充分利用。本研究旨在引入并评估一种基于自然语言处理技术的深度学习框架，以整合多模态 EHR，用于预测重症医学中的死亡率和资源利用。方法：本研究利用两个真实的 EHR 数据集，在三个临床任务上开发和评估了该模型。我们还对框架中的三个关键组件（医学提示、自由文本和预训练句子编码器）进行了消融研究。此外，我们评估了模型在结构化 EHR 损坏情况下的鲁棒性。结果：我们的实验在两个真实数据集上完成三个临床任务，显示我们提出的模型在死亡率预测的 BACC/AUROC 上提高了 1.6%/0.8%，在住院时间预测的 RMSE/MAE 上提高了 0.5%/2.2%，在手术时长估计的 RMSE/MAE 上提高了 10.9%/11.0%。在不同损坏率下，该模型在所有三个任务上均优于其他基线方法。结论：该框架是一种有效且准确的深度学习方法，适用于预测重症医学中的死亡率和资源利用。该研究还强调了在分析多模态 EHR 时，使用提示学习和转换编码器的成功。重要的是，该模型在结构化数据损坏方面表现出强大的韧性，尤其是在高损坏水平下。
引用
@article{arxiv.2508.20460,
title = {Prediction of mortality and resource utilization in critical care: a deep learning approach using multimodal electronic health records with natural language processing techniques},
author = {Yucheng Ruan and Xiang Lan and Daniel J. Tan and Hairil Rizal Abdullah and Mengling Feng},
journal= {arXiv preprint arXiv:2508.20460},
year = {2025}
}