迈向队列智能：一种用于电子健康记录分析的通用队列表示学习框架
机器学习
2023-04-13 v3 人工智能
摘要
电子健康记录(EHR)由临床常规护理生成，记录广泛患者群体的宝贵信息，为改进临床实践中的患者管理与干预策略提供丰富机会。为挖掘EHR数据的巨大潜力，机器学习中一种流行的EHR数据分析范式是EHR表示学习，其首先利用个体患者的EHR数据通过骨干网络学习信息丰富的表示，并基于这些表示支持多样化的医疗下游任务。遗憾的是，此类范式无法实现对患者相关性的深入分析，即临床实践中通称的队列研究。具体而言，同一队列中的患者往往共享相似特征，意味着其在症状或疾病等医疗状况上的相似性。本文中，我们提出一种通用队列表示学习(CORE)框架，通过利用患者间细粒度队列信息来增强EHR利用。特别地，CORE首先基于患者诊断码的先验知识开发显式患者建模任务，衡量患者间潜在相关性以自适应地为每位患者划分队列。基于所构建队列，CORE从队内与队间视角重新编码预提取的EHR数据表示，产生增强的EHR数据表示学习。CORE易于应用于多样骨干模型，作为通用插件框架将队列信息注入医疗方法以提升性能。我们在两个真实世界数据集上开展广泛实验评估，实验结果证明了CORE的有效性与泛化性。
引用
@article{arxiv.2304.04468,
title = {Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis},
author = {Changshuo Liu and Wenqiao Zhang and Beng Chin Ooi and James Wei Luen Yip and Lingze Zeng and Kaiping Zheng},
journal= {arXiv preprint arXiv:2304.04468},
year = {2023}
}
备注
10 pages