医疗系统中基于自注意力机制增强的患者就诊路径理解

理解医疗系统中的患者就诊路径是众多基于 AI 的医疗应用的一项基础前置任务。该任务旨在学习一种信息丰富的表示，能够全面编码医疗事件及其内部实体之间的隐藏依赖关系，随后编码输出的使用可极大地有益于下游应用驱动的任务。患者就诊路径是随时间组织在多个层级（患者、就诊和医疗代码）上的电子健康记录（EHRs）序列。患者就诊路径理解的关键挑战在于设计一种有效的编码机制，该机制能够妥善处理上述具有时序连续就诊和一系列医疗代码的多层级结构化患者就诊路径数据。本文提出了一种新颖的自注意力机制，能够同时捕获隐藏在患者就诊路径中的上下文关系与时序关系。专门设计了一种多级自注意力网络（MusaNet）来学习患者就诊路径的表示，该路径通常是一长串的活动序列。MusaNet 使用源自 EHRs 的训练数据进行端到端训练。我们在两个具有真实世界基准数据集的医疗应用任务上评估了该方法的有效性。结果表明，所提出的 MusaNet 比最先进的基线方法产生了更高质量的表示。源代码可在 https://github.com/xueping/MusaNet 获取。