预见 - - 一个生成式预训练变压器,用于利用电子健康记录建模患者的时间表:一项回顾性建模研究

科学领域:

• 医疗保健中的人工智能
• 生物医学信息学 生物医学信息学
• 机器学习用于医学.

背景情况:

• 电子健康记录 (EHR) 包含大量的非结构化的自由文本,对于了解患者病史至关重要.
• 当前的患者轨迹建模往往忽略了自由文本数据,并专注于有限的结果.
• 从全面的EHR数据中预测各种未来的医疗事件仍然是一个挑战.

研究的目的:

• 评估Foresight,一个生成式变压器模型,用于患者数据的时间建模.
• 评估 Foresight 集成自由文本和结构化 EHR 数据的能力.
• 预测未来广泛的医疗结果,包括疾病,物质,程序和发现.

主要方法:

• 预见利用一个管道,涉及命名实体识别和链接,以构建EHR自由文本成编码概念.
• 该管道包括CogStack用于数据检索,医疗概念注释工具包,预见核心 (深度学习模型) 和web应用程序.
• 该模型在来自国王学院医院 (KCH),南伦敦和莫德斯利 (SLaM) 和MIMIC-III的大型数据集上进行了训练和评估,包括超过811,000名患者.

主要成果:

• 预测实现了高精度@10预测下一个新的疾病 (0.68 KCH,0.76 SLaM,0.88 MIMIC-III).
• 该模型还在预测下一个生物医学概念 (0.80 KCH,0.81 SLaM,0.91 MIMIC-III) 中表现出强的表现.
• 综合时间表的临床验证显示,对最高预测疾病的相关性为97%.

结论:

• 预见有效地模拟来自电子健康记录的患者数据,集成文本和结构化格式.
• 生成式变压器显示出对准确预测未来医疗事件的重大前景.
• 预见是一种用于风险预测,临床研究和医学教育的多功能工具.