Core Concepts
의료 기록의 방대한 정보를 효과적으로 활용하여 다양한 의료 예측 과제를 수행할 수 있는 모델을 제안한다.
Abstract
이 논문은 전자 의료 기록(EHR)의 방대한 정보를 효과적으로 활용하여 다양한 의료 예측 과제를 수행할 수 있는 모델인 Retrieval-Enhanced Medical prediction model (REMed)을 제안한다.
기존 모델들은 입력 크기 제한으로 인해 전문가의 수작업 이벤트 선택이 필요했지만, REMed는 이를 해결하여 전문가 개입을 최소화할 수 있다.
REMed는 무제한 수의 이벤트를 처리할 수 있으며, 이벤트 선택 없이도 우수한 예측 성능을 보였다.
REMed의 이벤트 선택 결과는 의료 전문가의 선택과 유사하여, 의료 지식과 부합하는 것으로 나타났다.
Stats
환자 당 하루 평균 수천 개의 의료 이벤트가 발생한다.
전자 의료 기록(EHR)에는 수만 개의 고유한 의료 코드와 세부 정보가 포함되어 있다.
Quotes
"ML 모델은 일반적으로 입력 크기에 대한 제한적인 능력을 가지고 있기 때문에, EHR에서 특정 의료 이벤트를 선택하여 입력으로 사용하는 것이 필요하다."
"이러한 선택 과정은 종종 전문가의 의견에 의존하므로, 모델 개발 과정에 병목 현상을 초래한다."