使用无监督图表表示的临床特征矢量生成从异质医疗记录中学习

科学领域:

• 医疗信息学 医疗信息学
• 机器学习 机器学习
• 数据科学数据科学数据科学

背景情况:

• 电子病历 (EMR) 包含各种患者信息,对数据分析构成挑战.
• 将非结构化的EMR数据转换为保持临床特征的固定长度向量是很困难的.

研究的目的:

• 应用无监督图形表示学习来将非结构化住院EMR数据转换为固定长度向量.
• 评估这些载体是否保留了临床相关信息.

主要方法:

• 使用了Infograph算法,一种无监督图表表示学习方法.
• 应用信息图 (Applied Infograph) 将EMR中的住院患者信息绘制成图形,以生成嵌入式向量.
• 评估了生成的嵌入式载体中的临床信息保存.

主要成果:

• 该研究成功地从非结构化的EMR数据中生成了固定长度的嵌入式向量.
• 这些嵌入式载体被发现含有临床相关信息.
• 这些载体显示出30天患者再入院的预测能力.

结论:

• 无监督图表表示学习是一种可行的方法,可以将患者信息从EMR转换为固定长度向量.
• 这种方法有效地保留了载体内的关键临床特征.
• 该方法显示了改善EMR数据分析和预测建模的前景.