Технологія видобутку даних про ризики захворювання на основі аналізу електронних медичних карток

В.О. Лирчиков; О.Г. Байбуз

Технологія видобутку даних про ризики захворювання на основі аналізу електронних медичних карток

В.О. Лирчиков, О.Г. Байбуз

Анотація

У цій статті розглядається підхід до автоматичного перетворення електронних медичних записів (EMR), у стандартизований формат OpenEHR. Для класифікації використовується Wide & Deep Recurrent Neural Network (WDRNN). «Широка» частина визначає важливість слів-ознак у тексті, використовуючи показник TF-IDF, а «глибока» – вилучає ключові ознаки за допомогою механізму уваги. Модель враховує семантичні ознаки тексту, використовуючи LSTM, що покращує точність прогнозування. Запропонований підхід оцінено за допомогою набору даних анонімізованих записів з медичних обстежень. Результати показали високу точність та повноту моделі WDRNN, що свідчить про її ефективність порівняно з іншими методами обробки даних.

Ключові слова

OpenEHR; Wide & Deep Recurrent Neural Network (WDRNN); TF-IDF; механізм уваги

Повний текст:

PDF

Посилання

Sinha, Pradeep & Sunder, Gaur & Bendale, Prashant & Mantri, Manisha & Dande, Atreya. (2012). Electronic Health Record: Standards, Coding Systems, Frameworks, and Infrastructures. DOI: http://doi.org/10.1002/9781118479612.

Morris, J. (2012). Practical data migration. BCS, The Chartered Institute.

Rakhlin, A. (2016). Convolutional neural networks for sentence classification. GitHub.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). Imagenet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84-90.

Kulkarni, A., & Shivananda, A. (2021). Deep learning for NLP. In Natural language processing recipes (pp. 213-262). Apress, Berkeley, CA.

Gers, F. A., & Schmidhuber, E. (2001). LSTM recurrent networks learn simple context-free and context-sensitive languages. IEEE transactions on neural networks, 12(6), 1333-1340.