TAPER：具有时间感知的患者电子健康记录表示
机器学习
2020-05-05 v4 计算与语言
机器学习
摘要
电子健康记录的有效表示学习是一项具有挑战性的任务，并且随着此类数据可用性的普及而变得愈发重要。这些记录中所包含的数据是不规则的，并且包含多种模态，例如文本笔记和医疗代码。它们以患者可能患有的医疗状况为先导，且通常由医务人员草草记下。伴随代码的是笔记，其中包含超出电子健康记录中结构化信息的关于患者的宝贵信息。我们使用transformer网络与近来提出的BERT语言模型将这些数据流嵌入到统一的向量表示中。所提出的方法将患者的就诊数据有效编码为单一的分布式表示，可用于下游任务。我们的模型在使用公开可用的MIMIC-III ICU数据集的死亡率、再入院和住院时长任务上展示了优越的性能与泛化能力。代码见 https://github.com/sajaddarabi/TAPER-EHR
引用
@article{arxiv.1908.03971,
title = {TAPER: Time-Aware Patient EHR Representation},
author = {Sajad Darabi and Mohammad Kachuee and Shayan Fazeli and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:1908.03971},
year = {2020}
}