核心概念
現代の電子健康記録(EHR)システムの幅広さ、規模、および時間的粒度は、順序付けられた深層学習を使用して個別化されたおよびコンテキストに即した患者の健康経路を推定する大きな可能性を提供します。
要約
現代の電子健康記録(EHR)システムは、高次元性、疎なデータ、多様性、不規則で変数固有の記録頻度、および複数の測定が同時に記録されるときのタイムスタンプ重複などから有用な表現を学習することが困難です。最近の取り組みでは、構造化されたEHRと非構造化臨床ノートを融合することで臨床結果をより正確に予測する可能性が示唆されています。本稿では、多様な方法を組み合わせてマルチモーダル臨床時系列データの正確な表現を実現する動的埋め込みとトークナイゼーションフレームワークを紹介しました。
統計
120,000以上の主要入院手術から得られたマルチモーダルデータを使用して9つの術後合併症発生を予測する課題で我々のフレームワークは基準アプローチよりも優れた成績を収めました。
引用
"最近までに構造化EHRと非構造化臨床ノートを融合する努力は臨床結果をより正確に予測する可能性があることを示唆しています"
"我々は多様な方法でマルチモーダル臨床時系列データの正確な表現を実現する動的埋め込みとトークナイゼーションフレームワークを紹介しました"