日常医療のマルチモダルの融合 電子医療記録 (EHR): 範囲の検討

科学分野:

• 医療における人工知能
• 医療情報学
• 臨床的意思決定支援システム

背景:

• 電子医療記録 (EHR) は,医療において広く使用され,人口統計,診断,薬剤,メモ,生命体記号,検査結果など,さまざまな患者のデータを収集しています.
• これらのマルチモダルのEHRデータは,豊かな意味論的,概念的,および時間的な情報を持ち,高度な臨床意思決定のサポートの可能性を提供します.
• 最近のジェネラティブ・ラーニング技術は,これらの異質なEHRデータ要素を融合させ,医療の意思決定を向上させるという見込みを示しています.

研究 の 目的:

• マルチモダルのルーティンケア EHR データを融合させるためのテクニックのスコーピングの見直しを行う.
• 融合アーキテクチャ,入力データ要素,およびアプリケーション領域のバリエーションを合成する.
• 研究のギャップを特定し,新しい臨床成果のための融合技術の再利用を促進する.

主な方法:

• 2018年から2023年までのマルチモダルのルーティンケア EHR データを用いて,高インパクトの融合アーキテクチャに関する包括的な文献検索がGoogle Scholarで実施されました.
• この見直しは,スコーピングの見直しに関するPRISMAの延長ガイドラインに従った.
• 結果はテーマ別と比較的に分析された.

主要な成果:

• 入力方法として使用されるEHRデータ要素の標準化された定義が欠如しており,しばしばデータソース,エンコーディング,コンセプトレベルが無視されていることが観察されました.
• 融合アーキテクチャの改訂された分類が提案され,エンコーディング,表現,および決定層の同時学習を区別する.
• 現在の事前訓練されたエンコーディングモデルは,時間的および意味学的情報の処理において不一致を示し,その再利用を制限しています.

結論:

• 現在の EHR 融合アーキテクチャは,主に設計による事例アプローチに依存しています.
• 多様な医療アプリケーションのための効率的なマルチモダルモデルを設計するためのガイドラインが必要です.
• ガイドラインは,再利用を促進するために,モダリティの組み合わせ,移転学習,共同学習,セマンティック/タイムコーディングのベストプラクティスを強調すべきである.