从电子健康记录中稳健提取医学知识：学习健康知识图谱的案例研究
应用统计
2019-10-04 v1 机器学习
机器学习
摘要
日益庞大的电子健康记录（EHRs）为算法化学习医学知识提供了机会。在一个突出的例子中，因果健康知识图谱可以学习疾病与症状之间的关系，然后作为诊断工具，并通过额外的临床输入进行完善。先前的研究已证明能够从超过270,000次急诊科患者就诊中构建这样的图谱。在这项工作中，我们描述了评估健康知识图谱稳健性的方法。除了精确率和召回率之外，我们分析该图谱在哪些疾病和哪些患者上最准确。我们确定样本量和未测量的混杂因素是健康知识图谱错误的主要来源。我们引入了一种在构建因果图谱时利用非线性函数的方法，以更好地理解现有模型假设。最后，为评估模型泛化能力，我们扩展到一家医院系统内更完整的患者就诊集合。我们以关于如何从EHRs中稳健提取医学知识的讨论作结。
引用
@article{arxiv.1910.01116,
title = {Robustly Extracting Medical Knowledge from EHRs: A Case Study of Learning a Health Knowledge Graph},
author = {Irene Y. Chen and Monica Agrawal and Steven Horng and David Sontag},
journal= {arXiv preprint arXiv:1910.01116},
year = {2019}
}
备注
12 pages, presented at PSB 2020