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

要約

電子カルテ(EHR)に基づく臨床予測モデル(例えば死亡率予測)の開発は、通常、特徴選択と観察窓サイズの調整について専門家の意見に依存している。これは専門家の負担となり、開発プロセスのボトルネックとなる。我々は、このような課題に対処するために、REMed（Retrieval-Enhanced Medical prediction model）を提案する。REMedは基本的に、無制限の数の臨床事象を評価し、関連するものを選択し、予測を行うことができる。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る。我々は、27の臨床タスクと、一般に利用可能なEHRデータセットからの2つの独立したコホートに対する実験を通して、これらの特性を検証したところ、REMedは、可能な限り多くのイベントを処理することを目的とした他の現代的なアーキテクチャを凌駕した。注目すべきは、REMedの嗜好が医療専門家の嗜好と密接に一致していることである。われわれのアプローチは、臨床医が手作業で関与する必要性を最小限にすることで、EHR予測モデルの開発を大幅に迅速化することが期待される。

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, DeepL