Core Concepts
전자 건강 기록(EHR) 데이터의 구조적 데이터와 텍스트 데이터를 효과적으로 통합하여 환자 정보에 대한 포괄적이고 세부적인 분석을 제공하는 방법을 제안한다.
Abstract
이 연구는 전자 건강 기록(EHR) 데이터의 구조적 데이터와 텍스트 데이터를 통합하는 새로운 프레임워크 MINGLE을 제안한다. MINGLE은 다음과 같은 핵심 내용을 포함한다:
의료 개념 의미론 융합:
의료 코드 개념 이름의 의미론적 임베딩을 생성하고 이를 구조적 데이터 모델링에 통합한다.
이를 통해 다양한 의료 코딩 시스템 간 불일치를 해결하고 의료 개념에 대한 통일된 모델링을 가능하게 한다.
임상 메모 의미론 융합:
대규모 언어 모델(LLM)을 활용하여 임상 메모의 중요한 의미론을 추출하고 환자 방문 표현에 통합한다.
이를 통해 방문 수준 상호작용에 대한 추론을 향상시킨다.
하이퍼그래프 신경망 모델링:
구조적 데이터와 의미론적 데이터를 통합하기 위해 하이퍼그래프 신경망 모델을 사용한다.
이를 통해 의료 코드 간 복잡한 상호작용을 효과적으로 포착할 수 있다.
실험 결과와 사례 연구를 통해 MINGLE이 EHR 데이터에 대한 포괄적이고 세부적인 분석을 제공하여 의료 의사결정을 향상시킬 수 있음을 보여준다.
Stats
심장 부정맥 예측에서 MINGLE은 HypEHR 모델에 비해 중요 노드로 심부전, 심근병증, 심장 부정맥과 같은 심장 기능과 직접 관련된 질병을 추가로 식별했다.
임상 메모에서 MINGLE은 환자의 과거 병력, 입원 경과, 퇴원 시 처방약 등 심장 기능과 관련된 중요한 정보를 활용할 수 있었다.
Quotes
"전자 건강 기록(EHR) 데이터는 구조화된 임상 기록과 비구조화된 메모를 포함하는 이질적인 정보를 포함하고 있다. 이러한 다양한 유형의 정보는 서로 보완적이며 환자의 건강 상태에 대한 더 완전한 그림을 제공할 수 있다."
"의료 코드 개념 이름의 의미론과 임상 메모의 의미론을 통합하는 것은 환자 기록에 대한 정확하고 포괄적인 모델링을 보장하는 데 필수적이다."