使用机器学习模型预测糖尿病并发症与移植主题模型的特点
Benedict Choonghyun Han1, Jimin Kim2, Jinwook Choi3,4
1Interdisciplinary Program in Bioengineering, Seoul National University, 1 Gwanak-ro Gwanak-gu, Seoul, 08826 Republic of Korea.
Biomedical engineering letters
|January 8, 2024
概括
机器学习使用潜在的迪里克莱特分配主题建模有效地从临床笔记中预测糖尿病 (DM) 并发症. 这种方法为医疗保健中的疾病进展预测提供了一种新的方法.
科学领域:
- 计算语言学计算语言学
- 医疗信息学医学信息学
- 机器学习是机器学习.
背景情况:
- 糖尿病是一种严重的健康负担,需要准确的方法来预测疾病的进展和并发症.
- 电子医疗记录 (EMR) 包含大量的临床数据,可以用于预测建模.
研究的目的:
- 开发和评估用于预测糖尿病并发症进展的机器学习模型.
- 在临床笔记上利用潜在的迪里克莱特分配 (LDA) 主题建模来提取特征.
主要方法:
- 收集了首尔国立大学医院的DM患者的174,427份临床笔记.
- 采用LDA主题建模来识别临床笔记中的关键主题.
- 开发了一种机器学习模型,包括极端梯度提升 (XGBoost),使用LDA主题作为预测DM并发症的功能.
主要成果:
- 该模型显示了可接受的糖尿病视网膜病变,糖尿病病,非酒精性脂肪肝疾病和脑血管事故的预测性能.
- 通过使用XGBoost获得F1分数为0.844,0.921,0.831和0.762的相应并发症.
结论:
- 机器学习与主题建模相结合,是从临床文本预测疾病进展的有效策略.
- 引入了一种新的主题模型移植技术,以在数据集中匹配主题结构.


