FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction

要約

タイトル：FineEHR：死亡予測を改善するために臨床ノート表現を改善する

要約：

– ICUで患者の健康状態を監視することは、優れたケアと治療を提供するために重要な側面である。
– 大規模な電子健康記録（EHR）の利用により、機械学習モデルは豊富な臨床テキストとバイタルサインデータを利用して、高精度な予測を行うことができるようになっている。
– しかし、臨床データには複雑なテキスト構造とノイズがあり、進歩した自然言語処理（NLP）アルゴリズムでも大きな課題がある。
– ドメイン固有の改良なしに行われるコースな埋め込み手法は、これらのアルゴリズムの精度を制限している。
– この問題に対処するために、異なる健康状態やノートカテゴリーの間の固有の相関性を活用しつつ、メトリック学習とFine-tuningの2つの表現学習技術を利用して、臨床ノートの埋め込みを改良するFINEEHRというシステムを提案する。
– 実際のMIMIC IIIデータセットを用いて、AUC（曲線下の面積）とAUC-PRを2つの指標としてFINEEHRの性能を評価する。
– 実験結果は、両方の改良手法が予測精度を向上させ、その組み合わせが最も優れた結果をもたらすことを示している。また、我々の提案手法は、先行研究を上回り、平均AUCが96.04％、平均AUC-PRが96.48％を達成し、さらに10％以上のAUC向上が見られた。

要約(オリジナル)

Monitoring the health status of patients in the Intensive Care Unit (ICU) is a critical aspect of providing superior care and treatment. The availability of large-scale electronic health records (EHR) provides machine learning models with an abundance of clinical text and vital sign data, enabling them to make highly accurate predictions. Despite the emergence of advanced Natural Language Processing (NLP) algorithms for clinical note analysis, the complex textual structure and noise present in raw clinical data have posed significant challenges. Coarse embedding approaches without domain-specific refinement have limited the accuracy of these algorithms. To address this issue, we propose FINEEHR, a system that utilizes two representation learning techniques, namely metric learning and fine-tuning, to refine clinical note embeddings, while leveraging the intrinsic correlations among different health statuses and note categories. We evaluate the performance of FINEEHR using two metrics, namely Area Under the Curve (AUC) and AUC-PR, on a real-world MIMIC III dataset. Our experimental results demonstrate that both refinement approaches improve prediction accuracy, and their combination yields the best results. Moreover, our proposed method outperforms prior works, with an AUC improvement of over 10%, achieving an average AUC of 96.04% and an average AUC-PR of 96.48% across various classifiers.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI