通过BERTopic通过长期短期记忆网络方法通过电子健康记录预测ICU再入院情况
Chih-Chou Chiu1, Chung-Min Wu1, Te-Nien Chien2
1Department of Business Management, National Taipei University of Technology, Taipei 106, Taiwan.
Journal of clinical medicine
|September 28, 2024
概括
这项研究引入了一种混合模型,将BERTopic和长短期记忆 (LSTM) 网络结合起来,以预测重症监护室 (ICU) 再入院情况,通过有效使用电子健康记录中的文本数据,实现AUROC为0.80.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床数据科学 临床数据科学
背景情况:
- 重症监护室 (ICU) 的再入院带来了重大的医疗保健挑战,影响了患者的治疗结果和成本.
- 预测ICU再接收对于提高医疗质量和降低医疗保健支出至关重要.
- 传统的电子健康记录 (EHR) 分析往往忽略了有价值的非结构化文本数据.
研究的目的:
- 开发和评估一个混合模型来预测ICU再接收.
- 将来自电子健康记录的非结构化文本数据集成到预测模型中.
- 提高ICU再接收预测的准确性和可解释性.
主要方法:
- 开发了一个混合模型,将BERTopic (无监督主题建模) 和长短期记忆 (LSTM) 网络 (深度学习) 结合起来.
- 该模型利用了来自MIMIC-III数据库的定量和文本数据,将排放摘要转化为主题向量.
- 无监督主题建模 (BERTopic) 从患者记录中提取主题,以指导监督学习的特征选择.
主要成果:
- 混合模型实现了接收器操作特征曲线 (AUROC) 下的面积为0.80,超过了传统的机器学习模型.
- BERTopic有效地利用了非结构化EHR数据,确定了改善再接收预测准确性和可解释性的主题.
- 变量重要性排名提供了对影响再接收预测因素相互作用的见解.
结论:
- 混合BERTopic-LSTM模型通过整合非结构化文本数据提供了一种强大的方法来预测ICU再接收.
- 这种方法提高了患者管理,有助于制定个性化治疗策略,并支持资源优化.
- 这项研究强调了将各种数据类型结合起来,以获得更准确,更可解释,更具成本效益的医疗预测模型的价值.
