TY - JOUR AU - Huang, AU - Zheng燕群，AU - Ma志敏，AU - Xin Moxuan AU - Xin, AU - Fei红雷，AU - Wei晓璐，AU - Chen岚，Hui PY - 2022 DA - 2022/8/3 TI -基于电子病历学习的嵌入表示提高急性心肌梗死住院患者结局预测性能:开发和验证研究JO - J Med Internet Res SP - e37486 VL - 24 IS - 8 KW -表示学习KW -跳过图KW -特征关联强度KW -特征重要性KW -死亡风险预测KW -急性心肌梗死AB -背景:电子病历(EMRs)的广泛二次使用促进了医疗保健质量的提高。表征学习能够自动从EMR数据中提取隐藏信息，已越来越受到人们的关注。目的:我们旨在提出一种具有更多特征关联和任务特异性特征重要性的患者表示，以提高急性心肌梗死(AMI)住院患者的预后预测性能。方法:首先使用改进的skip-gram算法将包括患者年龄、性别、疾病诊断、实验室检查、结构化放射特征、程序和药物在内的医学概念嵌入到实值向量中，其中上下文窗口中的概念由关联规则置信度测量的特征关联强度选择。然后，将每个患者表示为任务特定特征重要性加权的特征嵌入之和，用于从全局和局部角度进行预测模型预测。最后，我们将所提出的患者表示分别应用于3010名AMI住院患者和1671名AMI住院患者的死亡风险预测，并将其与几种参考表示方法在受试者工作特征曲线下面积(AUROC)、精度-回忆曲线下面积(AUPRC)和f1评分方面进行比较。结果:与参考方法相比，所提出的基于嵌入式的表示在两个数据集上表现出一致的卓越预测性能，公共和私有数据集的平均auroc分别为0.878和0.973,AUPRCs分别为0.220和0.505,F1-scores分别为0.376和0.674，而参考方法中最大的auroc、AUPRCs和F1-scores分别为0.847和0.939,0.196和0.283，公共和私有数据集的auroc和AUPRCs分别为0.344和0.361。整合在患者表现中的特征重要性反映了在预测任务和临床实践中也至关重要的特征。 Conclusions: The introduction of feature associations and feature importance facilitated an effective patient representation and contributed to prediction performance improvement and model interpretation. SN - 1438-8871 UR - //www.mybigtv.com/2022/8/e37486 UR - https://doi.org/10.2196/37486 UR - http://www.ncbi.nlm.nih.gov/pubmed/35921141 DO - 10.2196/37486 ID - info:doi/10.2196/37486 ER -