MD-Manifold: A Medical-Distance-Based Representation Learning Approach for Medical Concept and Patient Representation

要約

タイトル：MD-Manifold：医療概念と患者の表現のための医療距離ベースの表現学習アプローチ

要約：

– 医療概念と患者の効果的な表現は、ヘルスケアアナリティクスのアプリケーションにとって重要である。
– 医療概念の表現には、医療ドメイン知識と患者説明データからの事前情報を組み込む必要がある。
– 現在の方法は、特徴エンジニアリングや医療概念を標準化された用語にマッピングすることに限界がある。
– 提案されたMD-Manifoldフレームワークは、新しいデータ拡張手法、概念距離メトリック、患者-患者ネットワークを含め、医療ドメイン知識と事前データ情報を組み込む。
– このフレームワークは、マニフォールド学習手法を適応させて、医療概念レベルの表現（医療知識を正確に反映する）と患者レベルの表現（異種の患者コホートを明確に識別する）を生成する。
– MD-Manifoldは、他の最新の技術よりも、さまざまな下流医療アナリティクスタスクで優れた性能を発揮する。
– この研究は、表現学習、知識主導の機械学習、デザインサイエンスを下流の探索的および予測的分析の中間地点フレームワークとして使用する情報システム研究に重要な意義がある。
– 実際には、MD-Manifoldは、医療ドメイン知識と事前データ情報を組み込むことにより、医療概念と患者の効果的かつ汎用的な表現を作成する可能性がある。

要約(オリジナル)

Effectively representing medical concepts and patients is important for healthcare analytical applications. Representing medical concepts for healthcare analytical tasks requires incorporating medical domain knowledge and prior information from patient description data. Current methods, such as feature engineering and mapping medical concepts to standardized terminologies, have limitations in capturing the dynamic patterns from patient description data. Other embedding-based methods have difficulties in incorporating important medical domain knowledge and often require a large amount of training data, which may not be feasible for most healthcare systems. Our proposed framework, MD-Manifold, introduces a novel approach to medical concept and patient representation. It includes a new data augmentation approach, concept distance metric, and patient-patient network to incorporate crucial medical domain knowledge and prior data information. It then adapts manifold learning methods to generate medical concept-level representations that accurately reflect medical knowledge and patient-level representations that clearly identify heterogeneous patient cohorts. MD-Manifold also outperforms other state-of-the-art techniques in various downstream healthcare analytical tasks. Our work has significant implications in information systems research in representation learning, knowledge-driven machine learning, and using design science as middle-ground frameworks for downstream explorative and predictive analyses. Practically, MD-Manifold has the potential to create effective and generalizable representations of medical concepts and patients by incorporating medical domain knowledge and prior data information. It enables deeper insights into medical data and facilitates the development of new analytical applications for better healthcare outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI