用生理信号,医学图像和临床笔记进行多式风险预测

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 电子健康记录研究研究 电子健康记录

背景情况:

• 电子健康记录 (EHR) 越来越多地被采用,为医学研究和临床问题解决提供了巨大的潜力.
• 机器学习 (ML) 和深度学习 (DL) 方法在医疗信息学中因其在数据分析方面的成功而越来越突出.
• 整合来自多个来源的数据 (多模式数据) 显示了改善医疗保健预测准确性的前景.

研究的目的:

• 引入一个全面的融合框架,用于整合来自EHR的多式联络数据.
• 为下游预测任务评估多式联运数据集成的性能.
• 评估不同数据模式 (时间变量,医学图像,临床笔记) 在预测建模中的贡献.

主要方法:

• 开发一个融合框架,以整合时间变量,医学图像 (CXR) 和来自EHR的临床笔记.
• 实施早期,联合和晚期融合战略,以结合多式联运数据.
• 在各种预测任务中比较多式模式与单式模式的模型性能.

主要成果:

• 在预测任务中,多式模式在预测任务中表现优于单式模式.
• 发现时间变量在研究任务中比CXR图像和临床笔记含有更多的预测信息.
• 贡献分数证实了整合不同数据模式的附加值.

结论:

• 在EHR中整合不同的数据模式,特别是时间变量,可以显著提高预测模型的性能.
• 开发的融合框架提供了一种强大的方法,可以利用多式联络电子健康记录数据来改善临床决策和研究.
• 未来的研究可以从多式联络电子健康记录研究中优先考虑时间数据分析中获益,以提高预测能力.