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

要約

電子医療記録 (EHR) に基づく臨床予測モデル (死亡率予測など) の開発は、通常、特徴の選択と観察ウィンドウ サイズの調整について専門家の意見に依存します。
これは専門家に負担を与え、開発プロセスにボトルネックを生み出します。
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、無制限の数の臨床イベントを評価し、関連するイベントを選択し、予測を行うことができます。
このアプローチにより、手動による特徴選択の必要性が効果的に排除され、無制限の観察ウィンドウが可能になります。
私たちはこれらの特性を、公開されている EHR データセットからの 27 の臨床タスクと 2 つの独立したコホートに関する実験を通じて検証しました。その結果、REMed は、できるだけ多くのイベントを処理することを目的とした他の現代アーキテクチャよりも優れたパフォーマンスを発揮しました。
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)

Developing clinical prediction models (e.g., mortality prediction) based on electronic health records (EHRs) typically relies on expert opinion for feature selection and adjusting observation window size. This burdens experts and creates a bottleneck in the development process. We propose Retrieval-Enhanced Medical prediction model (REMed) to address such challenges. REMed can essentially evaluate an unlimited number of clinical events, select the relevant ones, and make predictions. This approach effectively eliminates the need for manual feature selection and enables an unrestricted observation window. We verified these properties through experiments on 27 clinical tasks and two independent cohorts from publicly available EHR datasets, where REMed outperformed other contemporary architectures that aim to handle as many events as possible. 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