一个整体患者图框架用于从电子健康记录和医疗笔记中进行预测建模

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床数据分析 临床数据分析

背景情况:

• 电子健康记录 (EHR) 对研究和商业至关重要,但往往缺乏结构性信息.
• 医疗保健中的预测任务可以从考虑电子健康记录数据的几何结构中获益,包括诊断和治疗之间的关系.
• 现有的预测模型可能无法充分利用电子健康记录中的丰富,相互关联的信息.

研究的目的:

• 开发和评估一个患者知识图集框架 (PKGNN) 用于分析重症监护室 (ICU) 患者队列.
• 提高使用EHR数据预测患者死亡率和医院再入院结果的准确性.
• 将先进的自然语言处理 (NLP) 技术与患者知识图表集成,以进行增强的预测建模.

主要方法:

• 使用了MIMIC-IV数据集,其中包括42,671名患者.
• 开发了PKGNN框架的三个组成部分:医疗笔记提取,患者图形构建和预测任务.
• 采用先进的NLP模型 (临床BERT,BioBERT,BlueBERT) 来从出院摘要中提取语义表示,并将其转化为患者知识图.

主要成果:

• 该PKGNN框架在预测死亡率和30天再入院方面表现优于最先进的基线模型.
• 整合患者图形结构显著提高了预测准确性.
• 整体模型增强了风险预测,并确定了关键的临床指标.

结论:

• 在EHR分析中利用结构化知识图对于改善关键医疗保健结果的预测建模至关重要.
• 通过将NLP与患者图形结构相结合,PKGNN框架有效地提高了死亡率和再接收预测的准确性.
• 这项研究推进了基于知识图的EHR分析,支持改善临床决策和风险评估.