电子健康记录的表征学习
机器学习
2019-09-23 v1 机器学习
摘要
电子健康记录（EHR）中的信息，如临床叙述、检查报告、实验室测量数据、人口统计信息及其他患者就诊记录，可以通过表征学习转化为适当的数据表征，用于下游的临床机器学习任务。学习更好的表征对于提升下游任务性能至关重要。得益于机器学习的进步，我们现在能够通过解耦数据中的潜在因素，并从异构的 EHR 源中提炼大量信息和知识，从而学习到更好且更有意义的 EHR 表征。在本章中，我们首先在第 1 节介绍表征学习的背景，以及为何在医学和医疗保健的机器学习中需要良好的 EHR 表征。接着，在第 2 节解释使用深度学习方法进行表征学习的常用机器学习和评估方法。随后，在第 3 节回顾近期从 EHR 中学习患者状态表征以用于临床机器学习任务的相关研究。最后，在第 4 节讨论当使用自由文本（如临床笔记、检查报告或生物医学文献）时，学习自然语言表征的更多技术、研究和挑战。我们还讨论了这些快速发展研究领域中的挑战与机遇。
引用
@article{arxiv.1909.09248,
title = {Representation Learning for Electronic Health Records},
author = {Wei-Hung Weng and Peter Szolovits},
journal= {arXiv preprint arXiv:1909.09248},
year = {2019}
}