A Predictive Approach Using Deep Feature Learning for Electronic Medical Records: A Comparative Study

[namakemono]

#	##
論文リンク	https://arxiv.org/abs/1801.02961v1
著者	Milad Zafar Nezhad, Dongxiao Zhu, Najibesadat Sadati, Kai Yang
投稿日時	2018-01-06
コード

概要

患者や集団から蓄積された大量の電子医療記録は、臨床医やデータ科学者が、高度な分析のために協力して、患者、臨床医、医療提供者、科学者、健康政策立案者に必要な広範な個別洞察に対処するために不可欠な知識を引き出す動機となります。本稿では、深層特徴学習と単語埋め込み技術を用いた特徴表現に基づく新しい予測アプローチを提案する。我々の方法は、EMRから効果的でよりロバストな特徴を得るために、より高度な抽象化における特徴表現のために異なるディープアーキテクチャを使用し、そしてそれらの上に予測モデルを構築する。ラベル付けされていないデータが豊富であるのに対し、ラベル付けされていないデータが豊富である場合、我々のアプローチは特に有用である。教師つきアプローチを通して表現学習のパフォーマンスを調査します。最初に、我々は、脆弱な人口統計学サブグループ（アフリカ系アメリカ人）における心臓損傷リスクの指標として体表面積（LVMI）を指標とした左心室質量の予測に焦点を当てている特定の精密医学問題に関連する小さなデータセットに我々の方法を適用する。 ）次に、高次元の特徴に基づいてCardiac-ICUとNeuro-ICUでの滞在期間を予測するために、eICU共同研究データベースからの2つの大きなデータセットを使用します。最後に我々は比較研究を提供し、そして我々の予測アプローチが他のものと比較してより良い結果をもたらすことを示す。これは、脆弱な人口統計学サブグループ（アフリカ系アメリカ人）における心臓損傷リスクの指標として、体表面積（LVMI）を指標とする左室質量の予測に焦点を当てています。次に、高次元の特徴に基づいてCardiac-ICUとNeuro-ICUでの滞在期間を予測するために、eICU共同研究データベースからの2つの大きなデータセットを使用します。最後に我々は比較研究を提供し、そして我々の予測アプローチが他のものと比較してより良い結果をもたらすことを示す。これは、脆弱な人口統計学サブグループ（アフリカ系アメリカ人）における心臓損傷リスクの指標として、体表面積（LVMI）を指標とする左室質量の予測に焦点を当てています。次に、高次元の特徴に基づいてCardiac-ICUとNeuro-ICUでの滞在期間を予測するために、eICU共同研究データベースからの2つの大きなデータセットを使用します。最後に我々は比較研究を提供し、そして我々の予測アプローチが他のものと比較してより良い結果をもたらすことを示す。