M3T-LM:一种多模式多任务学习模型,用于共同预测患者住院时间和死亡率
Junde Chen1, Qing Li2, Feng Liu3
1Dale E. and Sarah Ann Fowler School of Engineering, Chapman University, Orange, CA 92866, USA.
Computers in biology and medicine
|October 8, 2024
概括
本研究引入了一种多模式多任务学习模型 (M3T-LM),用于预测住院时间 (LoS) 和死亡率. 该模型整合了各种临床数据,优于现有的方法,改善了医院资源管理.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 临床数据分析 临床数据分析
背景情况:
- 准确预测住院时间 (LoS) 和死亡率对于医院效率和资源分配至关重要.
- 当前的方法往往集中在单个数据类型或任务上,限制了多模式临床数据的潜力.
- 整合多样化的数据来源可以增强LoS和死亡率的诊断和预后能力.
研究的目的:
- 开发一种新的多模式多任务学习模型 (M3T-LM),用于同时预测住院患者的死亡率和死亡率.
- 利用异质的临床记录,包括数值数据,临床笔记和胸部X射线 (CXR) 图像.
- 改进多模式数据的利用,并捕获任务间的相关性,以获得更好的预测性能.
主要方法:
- 拟议的M3T-LM框架通过定制的子模型集成多种数据模式.
- 一个注重嵌入的1D CNN处理数值数据.
- 两个LSTM模拟了临床笔记中的文本数据.
- 一个2D CNN (CRXMDL) 从CXR图像中提取特征.
- 组合了子模型以捕捉LoS和死亡率预测任务之间的相关性.
主要成果:
- 在M3T-LM模型的测试中,LoS预测的平均绝对误差 (MAE) 为5.54.
- 该模型获得了0.876的F1测试得分,用于死亡率预测.
- 在MIMIC-IV数据集上的实验验证表明,与混合回归和分类任务的最先进方法相比,性能优越.
结论:
- M3T-LM模型有效地整合了多模式临床数据,用于同时预测LoS和死亡率.
- 拟议的方法通过捕捉不同数据类型和预测任务之间的相关性来提高预测准确性.
- 这种方法为提高医院服务效率和患者结果预测提供了一个有前途的解决方案.
