时间电子医疗记录的多式融合研究

科学领域:

• 人工智能的人工智能
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 电子医疗记录 (EMR) 研究中的深度学习越来越多地利用各种数据模式.
• 整合不同类型的数据,特别是在时间序列EMR数据中,仍然是一个重大挑战.
• 现有的方法经常与多式联络,时间临床数据的复杂性作斗争.

研究的目的:

• 为EMR数据开发和评估一种新的多式联接融合方法.
• 有效地将时间和非时间临床笔记与表格数据相结合.
• 通过使用全面的EMR数据表示来提高患者结果的预测准确性.

主要方法:

• 开发了一种多式融合模型,将静态和时间序列的笔记和表格数据结合起来.
• 时间数据被预处理,细分,并使用长期短期记忆 (LSTM) 网络进行处理.
• 采用多模式注意力门和注意力回溯模块,用于融合表示和捕捉时间依赖.

主要成果:

• 拟议的融合模型与基线和最近的模型 (如Crossformer) 相比,显示出优异的预测性能.
• 注意追溯模块对表现至关重要,表明捕捉远程时间依赖的重要性.
• 该模型有效地整合了四种数据模式,处理了不规则的时间序列和冗长的临床文本.

结论:

• 开发的多式联络融合方法为整合各种EMR数据提供了一种有效的方法,包括复杂的时间和文本信息.
• 该模型显示了通过利用全面的患者数据来改善医疗保健中的预测任务的巨大潜力.
• 这种方法预计将在多式联络医疗数据表示和分析中得到更广泛的应用.