面向电子健康记录的可扩展且准确的深度学习
计算机与社会
2018-05-14 v3 机器学习
摘要
利用电子健康记录(EHR)数据进行预测建模有望推动个性化医疗并提升医疗质量。构建预测性统计模型通常需要从规范化的 EHR 数据中提取经过筛选的预测变量,这是一个劳动密集型过程,会丢弃每位患者记录中绝大部分的信息。我们提出了一种基于快速医疗互操作性资源(FHIR)格式的患者完整原始 EHR 记录的表示方法。我们证明,使用这种表示的深度学习方法能够在无需针对特定站点进行数据协调的情况下,从多个中心准确预测多种医疗事件。我们使用来自美国两所学术医疗中心的去标识化 EHR 数据验证了我们的方法,涉及 216,221 名住院至少 24 小时的成年患者。在我们提出的序列格式中,该体积的 EHR 数据展开为总计 46,864,534,945 个数据点,包括临床笔记。深度学习模型在诸如预测院内死亡率(跨站点 AUROC 0.93-0.94)、30 天非计划再入院(AUROC 0.75-0.76)、延长住院时间(AUROC 0.85-0.86)以及患者所有最终出院诊断(频率加权 AUROC 0.90)等任务上取得了高准确度。这些模型在所有情况下均优于最先进的传统预测模型。我们还展示了一个神经网络归因系统的案例研究,说明了临床医生如何能对预测获得一定的透明度。我们相信该方法可用于为多种临床场景创建准确且可扩展的预测,并附带直接突出患者病历中证据的解释。
引用
@article{arxiv.1801.07860,
title = {Scalable and accurate deep learning for electronic health records},
author = {Alvin Rajkomar and Eyal Oren and Kai Chen and Andrew M. Dai and Nissan Hajaj and Peter J. Liu and Xiaobing Liu and Mimi Sun and Patrik Sundberg and Hector Yee and Kun Zhang and Gavin E. Duggan and Gerardo Flores and Michaela Hardt and Jamie Irvine and Quoc Le and Kurt Litsch and Jake Marcus and Alexander Mossin and Justin Tansuwan and De Wang and James Wexler and Jimbo Wilson and Dana Ludwig and Samuel L. Volchenboum and Katherine Chou and Michael Pearson and Srinivasan Madabushi and Nigam H. Shah and Atul J. Butte and Michael Howell and Claire Cui and Greg Corrado and Jeff Dean},
journal= {arXiv preprint arXiv:1801.07860},
year = {2018}
}
备注
Published version from https://www.nature.com/articles/s41746-018-0029-1