Medical Intervention Duration Estimation Using Language-enhanced Transformer Encoder with Medical Prompts

要約

近年、電子医療記録 (EHR) に基づいて医療介入の期間を推定することは、臨床意思決定支援の分野で大きな注目を集めています。
ただし、現在のモデルは主に構造化データに焦点を当てており、構造化されていない臨床フリーテキスト データからの情報を除外しています。
これに対処するために、事前にトレーニングされたセンテンスエンコーダーを使用して、関連するすべての臨床データモダリティ (連続、カテゴリ、バイナリ、およびフリーテキスト機能) を調和した言語潜在空間に投影する、新しい言語拡張トランスフォーマーベースのフレームワークを提示します。
医療プロンプトの助け。
提案された方法は、セルトランスエンコーダー内のさまざまなモダリティからの情報の統合を可能にし、医療介入のより正確な期間推定につながります。
米国ベース（ICU推定の入院期間）とアジア（手術期間予測）の両方の医療データセットに関する実験結果は、提案されたフレームワークの有効性を示しています。これは、調整されたベースラインアプローチよりも優れており、EHRのデータ破損に対する堅牢性を示しています。

要約(オリジナル)

In recent years, estimating the duration of medical intervention based on electronic health records (EHRs) has gained significant attention in the filed of clinical decision support. However, current models largely focus on structured data, leaving out information from the unstructured clinical free-text data. To address this, we present a novel language-enhanced transformer-based framework, which projects all relevant clinical data modalities (continuous, categorical, binary, and free-text features) into a harmonized language latent space using a pre-trained sentence encoder with the help of medical prompts. The proposed method enables the integration of information from different modalities within the cell transformer encoder and leads to more accurate duration estimation for medical intervention. Our experimental results on both US-based (length of stay in ICU estimation) and Asian (surgical duration prediction) medical datasets demonstrate the effectiveness of our proposed framework, which outperforms tailored baseline approaches and exhibits robustness to data corruption in EHRs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google