多模式深度学习方法的比较,用于预测病房患者的临床恶化
medRxiv : the preprint server for health sciences
|March 17, 2025
概括
机器学习模型可以使用结构化数据预测临床恶化. 从临床笔记中整合非结构化数据并没有显著改善患者病情恶化的预测准确性.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的机器学习
- 患者监测 患者监测
背景情况:
- 机器学习模型通过识别临床恶化来改善患者的治疗结果.
- 当前的模型往往具有高的假阳性率,并且仅依赖于结构化数据.
研究的目的:
- 将机器学习模型的性能与临床笔记中的非结构化数据进行比较,以预测患者病情恶化.
- 评估不同的非结构化数据参数化方法,包括概念唯一标识符 (CUIs) 和SapBERT嵌入.
主要方法:
- 分析了来自两个医院队列的成年患者.
- 模型使用结构化数据,非结构化数据 (以五种方式参数化) 或组合进行训练.
- 深度循环神经网络被用来预测重症监护室转移或24小时内死亡.
主要成果:
- SapBERT嵌入式 (SE) 模型显示了精度回忆曲线 (AUPRC) 下的最高面积.
- CUI集群 (CC) 和仅结构化的模型实现了最高的接收器运行特征曲线 (AUROC) 下的面积.
- 总的来说,添加非结构化数据与仅使用结构化数据相比,并没有显著提高模型性能.
结论:
- 结合结构化数据与SapBERT嵌入式的多模式模型为改进预测提供了潜力.
- 从临床笔记中提取的概念独特标识符 (CUI) 的包含并没有导致预测临床恶化的有意义改善.
