Foundation models for electronic health records: representation dynamics and transferability

要約

電子健康記録（EHR）で訓練された基礎モデル（FMS）は、さまざまな臨床予測タスクで強力なパフォーマンスを示しています。
ただし、データの可用性とリソースの制約が限られているため、これらのモデルをローカルヘルスシステムに適応させることは依然として困難です。
この研究では、これらのモデルが、シカゴ大学医療センターの施設のEHRデータセットへのMimic-IVで訓練されたFMの移転性を学習し、評価したことを調査しました。
外れ値患者を特定する能力を評価し、将来の臨床結果に関連して表現空間患者の軌跡を調べました。
また、ソースデータセットとターゲットデータセットの両方で、監視された微調整された分類子のパフォーマンスを評価しました。
私たちの調査結果は、さまざまなヘルスケアシステム全体のFMSの適応性に関する洞察を提供し、効果的な実装に関する考慮事項を強調し、予測パフォーマンスに寄与する根本的な要因の経験的分析を提供します。

要約(オリジナル)

Foundation models (FMs) trained on electronic health records (EHRs) have shown strong performance on a range of clinical prediction tasks. However, adapting these models to local health systems remains challenging due to limited data availability and resource constraints. In this study, we investigated what these models learn and evaluated the transferability of an FM trained on MIMIC-IV to an institutional EHR dataset at the University of Chicago Medical Center. We assessed their ability to identify outlier patients and examined representation-space patient trajectories in relation to future clinical outcomes. We also evaluated the performance of supervised fine-tuned classifiers on both source and target datasets. Our findings offer insights into the adaptability of FMs across different healthcare systems, highlight considerations for their effective implementation, and provide an empirical analysis of the underlying factors that contribute to their predictive performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google