Resset：一种面向电子病历集合序列的循环模型及其应用

现代医疗健康领域正亟待人工智能带来变革。若能从全球数十亿人正在产生的电子病历中自动理解潜在过程，将是一个改变格局的突破。然而，这些医疗过程因至少三个动态组成部分之间的交互而变得复杂：涉及多种疾病的病症、涉及多种治疗的照护，以及存在偏倚与错误的记录实践。现有方法不足以捕捉照护的动态结构。我们提出 Resset，一种端到端循环模型，可读取病历并预测未来风险。该模型采用代数视角，将离散医疗对象嵌入到位于同一空间中的连续向量。我们将问题表述为集合序列的建模，这是一种极少（即便有也）被研究的新颖设定。在 Resset 中，每次门诊记录的疾病包被建模为集合的函数。治疗包同理。一次就诊中疾病包与治疗包之间的交互以多种方式建模，其中一种为疾病减去治疗的残差。最后，由就诊序列构成的健康轨迹使用循环神经网络建模。我们报告了针对患两种高负担慢性疾病——糖尿病与精神疾病——患者超过十万次医院就诊的结果。Resset 在再入院预测、治疗推荐与疾病进展等多项预测任务中展现出潜力。