[논문 리뷰] Computing patient similarity based on unstructured clinical notes

Petr Zelina, Marko Řeháček외 4명|arXiv (Cornell University)|2026. 01. 12.

Machine Learning in Healthcare인용 수 0

한 줄 요약

이 논문은 비구조적 임상 노트를 통해 환자 유사성을 계산하기 위한 모듈식 파이프라인을 제시합니다. 각 환자를 노트 임베딩의 행렬로 표현하고 여러 유사도 측정으로 행렬을 비교합니다. Czech breast cancer 데이터 세트에 대한 전문가 주석으로 다양한 임베딩 기법, 필터링 전략 및 행렬 유사도 방법을 평가합니다.

ABSTRACT

Clinical notes hold rich yet unstructured details about diagnoses, treatments, and outcomes that are vital to precision medicine but hard to exploit at scale. We introduce a method that represents each patient as a matrix built from aggregated embeddings of all their notes, enabling robust patient similarity computation based on their latent low-rank representations. Using clinical notes of 4,267 Czech breast-cancer patients and expert similarity labels from Masaryk Memorial Cancer Institute, we evaluate several matrix-based similarity measures and analyze their strengths and limitations across different similarity facets, such as clinical history, treatment, and adverse events. The results demonstrate the usefulness of the presented method for downstream tasks, such as personalized therapy recommendations or toxicity warnings.

연구 동기 및 목표

• 정형화된 데이터가 희소한 상황에서 비구조적 EHR 노트를 기반으로 환자 유사성을 통해 정밀 의학을 촉진한다.
• 각 환자를 임베딩 노트의 행렬로 표현하여 강건한 유사성 계산을 가능하게 한다.
• 임베딩 기법, 필터링 스킴, 행렬 기반 유사도 측정의 다중 조합을 임상의 관련 카테고리에서 평가한다.

제안 방법

• 관련 콘텐츠에 집중하기 위해 유사도 범주별로 임상 노트를 분할하고 필터링한다.
• 필터링된 노트를 LSA, Doc2Vec, 또는 트랜스포머 기반 임베딩으로 벡터화하여 환자 노트 행렬을 형성한다.
• RV 계수, MaxMax, 또는 Edit-Distance 기반 측정치를 사용해 쌍별 환자 행렬의 유사성을 계산한다.
• Kendall tau를 사용하는 임상의 제공한 유사성 주석으로 검증 연구를 통해 조합을 평가한다.
• 하이퍼파라미터 및 노트 필터링이 카테고리별 성능에 미치는 영향을 분석한다.
• 다양한 변형에서 결과를 안정화하기 위해 결합 임베딩 앙상블을 제공한다.

실험 결과

연구 질문

• RQ1 비구조적 임상 노트에서 각 노트 임베딩을 환자 수준 행렬로 집계하여 환자 유사성을 효과적으로 도출할 수 있는가?
• RQ2 노트 벡터화, 필터링 및 행렬 유사도 방법의 어떤 조합이 임상의학적으로 의미 있는 유사성 범주 전반에 걸쳐 전문가의 판단을 가장 잘 반영하는가?
• RQ3 세그먼트 수준 필터링이 계산된 유사성과 임상의 제공 유사성 간의 정합성을 향상시키는가?
• RQ4 다양한 벡터화 기법(LSA, Doc2Vec, 트랜스포머 임베딩)이 행렬 유사도 측정과 성능 및 확장성 측면에서 어떻게 상호 작용하는가?
• RQ5 제안된 표현으로 가장 예측 가능하고 가장 예측 불가능한 유사성 범주는 무엇인가?

주요 결과

• 가장 잘 작동하는 옵션은 결합 임베딩과 RV 계수 유사도(Rrv2)를 조합한 것으로 여러 카테고리에서 강건한 성능을 보인다.
• 필터링은 Vlsa 및 결합 임베딩과 함께 특히 여러 벡터화 방법에서 성능을 향상시킨다.
• Doc2Vec (Vd2v)은 여러 구성에서 성능이 저조하며, 특히 차원이 높고 필터링이 적용된 경우에 그렇다.
• 연구는 유사성 예측이 크게 무작위인 여섯 가지 범주를 식별하여 한계점과 범주별 데이터 이슈를 강조한다.
• 상호 주석자 합의는 범주별로 다르게 나타나며, 사회적 병력, 알레르기, 부작용에서 비교적 낮은 합의가 보인다.
• 결합 임베딩 앙상블은 매개변수 선택에 따른 성능을 안정화한다.