AI技術被用於預測患者再入院率

4月12日消息，電子健康記錄存儲了關於醫院患者有價值的信息，但它們通常是稀疏的和非結構化的，這使得節省人力和時間的人工智慧系統很難對它們進行解析。據外媒報道，紐約大學和普林斯頓大學的研究人員開發了一個用於評估臨床記錄的框架，自動分配一個風險評分，顯示患者在30天內再次入院的可能性。他們聲稱，Github上公開提供的代碼和模型參數明顯優於基線。

該論文作者寫道：「準確預測再入院在效率和減輕重症監護室醫生的負擔方面具有臨床意義。據估計，再入院的經濟負擔為179億美元，可避免的入院比例為76%。」

正如研究人員在論文《ClinicalBERT：臨床記錄建模與再入院預測》上所指出的那樣，臨床記錄使用了大量的縮寫和術語，這給人工智慧系統設計帶來了挑戰。為了克服這個問題，研究人員使用了一種自然語言處理方法——谷歌的BERT模型，通過整合全篇信息，可對上下文距離很遠的單詞進行理解，具備更好的捕獲上下文信息特徵的能力。

為了訓練ClinicalBERT，該團隊收集了一組臨床記錄，並屏蔽了15%的輸入標記，迫使模型預測隱藏的標記以及給定的兩個句子是否是連續的。然後，研究人員利用重症監護中的多參數智能監測資料庫(MIMIC-III)，對該系統進行微調，以完成臨床預測任務。

在另一項涉及來自MIMIC-III資料庫的34560名患者的48或72小時連續記錄的實驗中，研究小組稱，與只關注出院總結的模型相比，ClinicalBERT的30天再入院預測有所改善。此外，他們還表示，隨著入院時間和臨床記錄的的增加，該系統在語言建模任務上開始優於最初的BERT模型。

研究人員寫道：「ClinicalBERT可以幫助護理人員做出明智的決定，並在必要時提前進行干預。它的輸出可以追溯到理解臨床記錄的哪些要素與當前預測相關，並且它也很容易適應其他任務，如診斷預測，死亡率風險評估或住院時間評估。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！