General-Purpose Retrieval-Enhanced Medical Prediction Model Using Near-Infinite History

要約

機械学習 (ML) は最近、電子医療記録 (EHR) を使用した医療予測において有望な結果を示しました。
ただし、ML モデルは通常、入力サイズの点で機能が制限されているため、入力として使用する特定の医療イベントを EHR から選択する必要があります。
この選択プロセスは専門家の意見に依存することが多く、開発のボトルネックを引き起こす可能性があります。
我々は、このような課題に対処するために、検索強化型医療予測モデル (REMed) を提案します。
REMed は基本的に無制限の医療イベントを評価し、関連するイベントを選択し、予測を行うことができます。
これにより、入力サイズに制限がなく、手動でイベントを選択する必要がなくなります。
私たちは、4 つの独立したコホートにわたる 27 の臨床予測タスクを含む実験を通じてこれらの特性を検証し、REMed がベースラインを上回りました。
特に、REMed の好みは医療専門家の好みと密接に一致していることがわかりました。
私たちのアプローチにより、臨床医による手作業の必要性が最小限に抑えられ、EHR 予測モデルの開発が大幅に促進されることが期待されます。

要約(オリジナル)

Machine learning (ML) has recently shown promising results in medical predictions using electronic health records (EHRs). However, since ML models typically have a limited capability in terms of input sizes, selecting specific medical events from EHRs for use as input is necessary. This selection process, often relying on expert opinion, can cause bottlenecks in development. We propose Retrieval-Enhanced Medical prediction model (REMed) to address such challenges. REMed can essentially evaluate unlimited medical events, select the relevant ones, and make predictions. This allows for an unrestricted input size, eliminating the need for manual event selection. We verified these properties through experiments involving 27 clinical prediction tasks across four independent cohorts, where REMed outperformed the baselines. Notably, we found that the preferences of REMed align closely with those of medical experts. We expect our approach to significantly expedite the development of EHR prediction models by minimizing clinicians’ need for manual involvement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google