UniHPF：具备零领域知识的通用医疗预测框架
机器学习
2024-09-04 v2 神经与进化计算
摘要
尽管电子健康记录（EHR）丰富，但其异质性限制了医疗数据在构建预测模型中的利用。为应对这一挑战，我们提出通用医疗预测框架（UniHPF），其无需医学领域知识且仅需极少预处理即可用于多种预测任务。实验结果表明，UniHPF 能够构建可处理来自不同 EHR 系统的任意形式医疗数据的大规模 EHR 模型。我们相信我们的发现可为 EHR 多源学习的进一步研究提供有益见解。
引用
@article{arxiv.2211.08082,
title = {UniHPF : Universal Healthcare Predictive Framework with Zero Domain Knowledge},
author = {Kyunghoon Hur and Jungwoo Oh and Junu Kim and Jiyoun Kim and Min Jae Lee and Eunbyeol Cho and Seong-Eun Moon and Young-Hak Kim and Edward Choi},
journal= {arXiv preprint arXiv:2211.08082},
year = {2024}
}
备注
The original paper is published on Journal of Biomedical and Health Informatics(JBHI) 2023, https://ieeexplore.ieee.org/document/10298642. Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States, 19 pages(main paper 6 pages). arXiv admin note: substantial text overlap with arXiv:2207.09858