DOME:来自电子健康记录的定向医疗嵌入载体

科学领域:

• 生物医学信息学 生物医学信息学
• 机器学习 机器学习
• 翻译研究是翻译研究.

背景情况:

• 电子健康记录 (EHR) 系统为翻译研究提供了巨大的潜力.
• 代表性学习和知识图增强了EHR研究,但通常需要患者层面的数据,限制了多机构的使用.
• 使用摘要级数据的现有可扩展方法缺乏时间依赖模型.

研究的目的:

• 引入一个新的算法,指令医疗嵌入 (DOME),用于使用总结级EHR数据编码医疗概念之间的时间关系.
• 解决现有方法的局限性,允许多机构的电子健康记录数据培训,并纳入时间动态.

主要方法:

• DOME将患者级EHR数据汇总成一个不对称的共发生矩阵.
• 它计算了正点方向相互信息 (PPMI) 矩阵,以捕捉医疗概念之间的前后依赖关系.
• 对PPMI矩阵的联合矩阵因子化产生了每个概念的语义和定向上下文嵌入.

主要成果:

• DOME提高了疾病风险预测,在肺癌预测方面,AUROC的相对收益为5.5%.
• 它增强了定向药物疾病关系推断,优于最先进的方法,相对AUROC增益为10.8%和6.6%,用于区分副作用和适应症.
• DOME构建了定向知识图,通过区分风险因素和并发症来揭示疾病进展轨迹.

结论:

• DOME有效地模拟了EHR数据中的时间关系,仅使用总结级信息.
• 该算法在改善疾病风险预测,药物疾病推断和了解疾病进展方面显示出显著的翻译潜力.
• 在生物医学研究中,DOME为利用多机构EHR数据提供了一个有价值的工具.