利用生成对抗网络从电子病历合成时间序列伤口预后因素
人工智能
2022-01-03 v1 机器学习
摘要
伤口预后模型不仅可提供伤口愈合时间的估计以激励患者随访治疗，还可帮助临床医生决定采用标准护理还是辅助疗法，并协助设计临床试验。然而，由于隐私、敏感性和保密性，从患者电子病历（EMR）中收集预后因素具有挑战性。在本研究中，我们开发了时间序列医学生成对抗网络（GAN），利用专科伤口护理机构常规护理中收集的极有限信息生成合成伤口预后因素。生成的预后变量用于开发慢性伤口愈合轨迹的预测模型。我们的新型医学 GAN 可从 EMR 生成连续型和分类型特征。此外，我们通过考虑患者每周随访收集的数据将时间信息应用于模型。利用条件训练策略增强训练并生成愈合或非愈合的分类数据。所提模型生成真实 EMR 数据的能力通过 TSTR（在合成数据上测试、在真实数据上训练）、判别准确率和可视化进行评估。我们利用所提 GAN 生成的样本训练预后模型以展示其实际应用。在训练预测模型时使用生成的样本，与先前 EMR-GAN 相比分类准确率提高了 6.66–10.01%。此外，当分别使用前三次、前两次和首次就诊数据训练网络时，所提预后分类器的曲线下面积（AUC）分别为 0.975、0.968 和 0.849。这些结果表明伤口愈合计较先前预后模型有显著改进。
引用
@article{arxiv.2105.01159,
title = {Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks},
author = {Farnaz H. Foomani and D. M. Anisuzzaman and Jeffrey Niezgoda and Jonathan Niezgoda and William Guns and Sandeep Gopalakrishnan and Zeyun Yu},
journal= {arXiv preprint arXiv:2105.01159},
year = {2022}
}
备注
20 pages, 5 figures, 5 tables