基于 Transformer 的从无监督医疗理赔学习患者表示以进行风险分层与分析
机器学习
2021-06-25 v1 人工智能
摘要
包含医疗代码、服务信息和发生费用的理赔数据，可作为估计个体健康状况和医疗风险水平的良好资源。本研究开发了基于 Transformer 的多模态自编码器（TMAE），一种无监督学习框架，能够通过从理赔数据中编码有意义的信息来学习高效的患者表示。TMAE 的动机源于医疗实践中将患者按风险水平分层以改善照护提供与管理的需求。相较以往方法，TMAE 能够：1） collectively 建模住院、门诊和用药理赔；2）处理医疗事件间不规则的时间间隔；3）缓解罕见医疗代码的稀疏问题；4）纳入医疗费用信息。我们使用包含超过 600,000 名患者的真实世界儿科理赔数据集训练 TMAE，并在两项聚类任务中将其性能与多种方法比较。实验结果表明，TMAE 优于所有基线。我们还进行了多个下游应用以阐明框架的有效性。这些有前景的结果证实，TMAE 框架可扩展至大型理赔数据，并能够生成高效的患者嵌入用于风险分层与分析。
引用
@article{arxiv.2106.12658,
title = {Transformer-based unsupervised patient representation learning based on medical claims for risk stratification and analysis},
author = {Xianlong Zeng and Simon Lin and Chang Liu},
journal= {arXiv preprint arXiv:2106.12658},
year = {2021}
}