InfEHR:通过电子健康记录的深度几何学习来解决临床表型

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 临床信息学 临床信息学

背景情况:

• 电子健康记录 (EHR) 为临床决策提供丰富的多式联络数据.
• 当前的机器学习 (ML) 方法受到需要大型标记数据集的限制.
• 释放ML电子病历数据的全部潜力仍然是一个重大挑战.

研究的目的:

• 引入InfeHR,这是一个用于自动化从EHR计算临床概率的新型框架.
• 为了实现对EHR数据的高级ML分析,而不需要广泛的标记训练数据.
• 证明几何深度学习在临床环境中对概率推理的有效性.

主要方法:

• 开发了InfeHR,这是一个应用深度几何学习到EHR数据的框架.
• 将整个EHR转换为时间图表,以捕获动态的表型信息.
• 为了训练计算和修改临床概率,利用了一些标记的示例.
• 使用现实世界EHR数据对医生启发式数据进行了验证InfeHR.

主要成果:

• 在识别新生儿培养阴性败血症和术后急性损伤方面,InfeHR取得了卓越的表现.
• 与医生启发式测试相比,这两种情况的灵敏度都显著改善.
• 保持高特异性,表明可靠的预测.
• 在低患病率疾病检测方面表现出特别的有效性.

结论:

• InfEHR有效地使用几何深度学习计算来自EHR的临床概率.
• 该框架克服了对ML进行大型标记数据集的限制.
• InfEHR提供了一个可扩展的解决方案,用于在现实世界的临床环境中进行概率推理.
• 几何深度学习在推进基于EHR的临床决策支持方面表现有前途.