通过基于BERT和TabNet的多模式多任务学习模型来提高精神康复结果:个性化治疗和改进决策的方法

科学领域:

• 医疗保健中的人工智能
• 临床信息学 临床信息学
• 心理健康研究 心理健康研究

背景情况:

• 在严重精神疾病 (SMI) 中评估康复状态是复杂的,需要分析各种数据类型.
• 目前评估SMI患者康复进展的方法有限.
• 整合非结构化临床笔记和结构化诊断数据是一个重大挑战.

研究的目的:

• 开发和验证一种新的深度学习模型,用于预测SMI患者的关键康复结果.
• 为了提高预测转诊风险,危险行为,自我意识和药物坚持的准确性.
• 为医疗保健专业人员提供可解释的工具,以支持临床决策.

主要方法:

• 采用了晚期融合深度学习策略,将文本数据的变压器双向编码器表示 (BERT) 和结构化数据的TabNet集成在一起.
• 该模型是通过SMI患者的多式联络数据进行训练和评估的.
• 纳入了可解释性特征,以解释预测的逻辑.

主要成果:

• 该模型在所有四个评估任务 (转介风险,危险行为,自我意识,药物坚持) 中都取得了出色的预测性能.
• 精度超过0.78,曲线下的面积达到0.70.
• 该模型在严格的测试中证明了稳定性,公平性和可解释性.

结论:

• 开发的多模式,多任务深度学习模型在评估SMI患者的康复状态方面取得了重大进展.
• 该模型的可解释性促进了临床整合,并支持优化患者护理.
• 这种方法为无整合到临床工作流程提供了一个有希望的新工具.