识别同质的患者子组,使用异质混合模式医疗数据的基于变压器的等级分类

科学领域:

• 计算生物学和生物信息学
• 机器学习在医疗保健中的应用
• 医疗信息学医学信息学

背景情况:

• 患者数据高度异质,通常包括多种模式和缺失的信息,使临床同质子组的识别变得复杂.
• 个性化医疗需要有效的方法,根据患者的独特特征和治疗反应,将患者分成有意义的子组.
• 当前的集群方法在处理各种数据类型和不完整的患者记录方面面临挑战.

研究的目的:

• 介绍Med-ROAR,一种基于变压器的随机顺序自回归 (ROAR) 嵌入模型,旨在对异质医疗数据进行层次聚类.
• 评估Med-ROAR在不同医疗数据集中识别临床意义上的患者子组的有效性,包括自闭症谱系障碍 (ASD) 和重症监护室 (ICU) 患者记录.
• 证明模型能够处理混合数据模式和对缺失信息的弹性.

主要方法:

• 开发了一种基于变压器的ROAR模型Med-ROAR,它使用层次的离散嵌入和修改的自我注意力来进行混合模式的自回归建模.
• 应用Med-ROAR对147,469名患有自闭症谱系障碍 (ASD) 的个人和50,458名重症监护室 (ICU) 患者记录 (表格和时间序列数据) 进行集群.
• 将Med-ROAR的集群性能与标准的聚合集群进行了比较.

主要成果:

• 与基于距离的方法 (如聚合集群) 相比,Med-ROAR发现了更具凝聚力的高层集群.
• 对ASD数据的探索性分析揭示了临床上有意义的表型模式,并确定了同质的,非典型的患者子组.
• Med-ROAR有效地使用混合表格和时间序列数据对ICU患者进行集群,证明了对缺失信息的弹性和从早期数据中预测子组的能力.

结论:

• Med-ROAR提供了一种灵活的等级聚类技术,用于发现患者子组的语义相似性.
• 该模型接受多种患者数据模式,没有架构修改,主要受计算资源的限制.
• Med-ROAR通过从复杂和不完整的医疗记录中实现强大的患者分层来推进个性化护理.