電子医療記録の輸送ベースの移転学習:治療の格差の検出への適用

科学分野:

• 計算医療情報学
• 医療のための機械学習
• 医療サービス研究

背景:

• 異なる集団からの電子医療記録 (EHR) は,固有のバイアスのためにデータ共有とモデルの転送性において課題を提示します.
• 既存の方法は,異なる患者グループ間で効果的な知識の移転に苦労し,より広範な適用性を制限しています.
• EHRデータ内の治療の格差を定量化するには,集団の異質性を扱う強力な方法が必要です.

研究 の 目的:

• 異なる集団間のEHRデータのための効果的な知識移転方法を設計する.
• 移転されたモデルの適性について計算可能な保証を提供すること.
• EHRデータを用いて治療の格差を定量化することを可能にします.

主な方法:

• EHRのための最適輸送ベースの移転学習 (OTTEHR) フレームワークを開発しました.
• ドメインの適応のための組み合わせた特徴の埋め込みと不均衡の最適輸送 (OT)
• MIMIC-IIIとMIMIC-IVデータベースは,ICDコードとラベルによってセグメント化され,メソッドの検証に使用されました.

主要な成果:

• ワサースタイン距離,不均衡,およびラベリングディバージェンスを用いて一般化エラーの理論的境界を導出しました.
• OTTEHRは標準的な転送学習方法と比較して優れた精度と計算効率を示しました.
• 異なる保険プランを持つ患者グループにおける入院期間における有意な差異を特定した.

結論:

• OTTEHR フレームワークは,最適な輸送理論を使用して,異なる EHR データ集団の統計モデルを効果的に比較します.
• 患者グループ間の治療の格差を定量化し,臨床的意思決定の支援の可能性を示した.
• 将来の作業には,OTTEHRをより広範なタスクに拡張し,半監督学習を組み込むことが含まれます.