通过HIV患者表型联合学习实现病历摘要生成
应用统计
2020-03-26 v1 机器学习
机器学习
摘要
识别患者随时间变化的关键问题是医疗提供者在诊疗点的常见任务，但在当前电子健康记录条件下，这是一项复杂且耗时的活动。为使以问题为导向的摘要器能够识别患者全面的问题列表及其显著性，我们提出一种无监督表型学习方法，跨结构化与非结构化数据联合学习大量表型/问题。为确定所学表型的适当粒度，模型在同一诊所的目标患者群体上进行训练。为实现以问题为导向的摘要器的内容组织，模型还识别表型间的关联。该模型利用相关混合隶属度方法，并对异质临床数据应用变分推断。本文中，我们重点通过特定患者群体评估所学表型及其关联。实验基于某大型城市医疗机构HIV诊所的患者表型分析（n=7,523），这些患者拥有海量纵向文档记录，且无论涉及其HIV还是任何共病，提供者均可从这些患者病史摘要中获益。我们发现，经临床专家定性评估，所学表型及其关联具有临床有效性，并且在与现有专家策划的疾病分组比较时，模型在推断表型关联方面优于基线。
引用
@article{arxiv.2003.11474,
title = {Towards Patient Record Summarization Through Joint Phenotype Learning in HIV Patients},
author = {Gal Levy-Fix and Jason Zucker and Konstantin Stojanovic and Noémie Elhadad},
journal= {arXiv preprint arXiv:2003.11474},
year = {2020}
}