MediSim:用于丰富纵向,多模式电子健康记录的多颗粒模拟
Brandon Theodorou1, Cao Xiao2, Lucas Glass3
1Department of Computer Science, University of Illinois at Urbana-Champaign, Urbana, IL, USA.
Patterns (New York, N.Y.)
|June 27, 2025
概括
MediSim是一种新的生成模型,通过模拟笔记,代码和图像中的缺失数据来增强电子健康记录 (EHR). 这种人工智能方法改善了数据预测和医疗保健下游任务性能.
科学领域:
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 电子健康记录 (EHR) 对医疗保健至关重要,但通常包含各种模式的缺失或不完整数据.
- 用现实的模拟数据来增强EHR对于强大的AI模型开发和验证至关重要.
- 现有的方法很难有效地模拟多式联络电子记录数据,特别是在数据不足的情况下.
研究的目的:
- 介绍MediSim,一个设计用于模拟和增强EHR数据的多模式生成模型.
- 为应对缺失的模式和访问在EHRs的挑战.
- 为了提高下游AI应用程序的EHR数据的质量和完整性.
主要方法:
- 开发了MediSim,这是一个采用多颗粒,自回归架构的多模式生成模型.
- 采用代式,基于强化学习的培训,以增强低数据环境中的模拟.
- 集成的编码器-解码器模型配对有效地处理复杂的模式,如临床笔记和医学图像.
主要成果:
- 在预测缺少的代码方面,MediSim表现出高于基线的性能 (74%以上的改进).
- 与原始缺陷记录相比,实现了高达65%的下游预测性能.
- 成功生成了现实的合成临床笔记和X射线图像,用于下游任务.
结论:
- MediSim有效地模拟和增强多模式EHR数据,解决数据缺陷.
- 该模型显著提高了数据的完整性,并提高了下游预测任务的性能.
- MediSim能够生成全面的,高维度的EHR数据,这对于在医疗保健中推进AI具有巨大的潜力.
