[论文解读] Predicting Discharge Medications at Admission Time Based on Deep Learning

Yang Yuan, Pengtao Xie+5 more|arXiv (Cornell University)|Nov 4, 2017

Machine Learning in Healthcare参考文献 32被引用 3

一句话总结

本文提出一种基于卷积神经网络（CNN）的深度学习方法，通过利用药物之间的语义表示与药理学相关性，从入院记录中预测出院用药。该方法相较于最佳基线模型，宏平均F1分数提升20%，尤其在罕见药物预测上表现优异，得益于其对药物相关性的捕捉能力。

ABSTRACT

Predicting discharge medications right after a patient being admitted is an important clinical decision, which provides physicians with guidance on what type of medication regimen to plan for and what possible changes on initial medication may occur during an inpatient stay. It also facilitates medication reconciliation process with easy detection of medication discrepancy at discharge time to improve patient safety. However, since the information available upon admission is limited and patients' condition may evolve during an inpatient stay, these predictions could be a difficult decision for physicians to make. In this work, we investigate how to leverage deep learning technologies to assist physicians in predicting discharge medications based on information documented in the admission note. We build a convolutional neural network which takes an admission note as input and predicts the medications placed on the patient at discharge time. Our method is able to distill semantic patterns from unstructured and noisy texts, and is capable of capturing the pharmacological correlations among medications. We evaluate our method on 25K patient visits and compare with 4 strong baselines. Our methods demonstrate a 20% increase in macro-averaged F1 score than the best baseline.

研究动机与目标

• 为解决在患者信息有限且不断变化的入院初期预测出院用药这一临床挑战。
• 通过预测性药物重整实现药物差异的早期发现，提升患者安全。
• 开发一种数据驱动方法，从非结构化临床记录中学习，并捕捉药物之间复杂的药理学关系。
• 在预测多种出院用药方面超越现有基线模型，尤其针对低频药物。
• 证明仅使用入院数据即可利用深度学习支持临床治疗规划中的决策制定的可行性。

提出的方法

• 使用原始入院记录训练卷积神经网络（CNN），以预测出院用药，从非结构化文本中学习语义表示。
• 模型使用词嵌入编码临床文本，并利用卷积滤波器在多种粒度上提取局部模式。
• 全连接层中的共享潜在因子使模型能够捕捉药物之间的药理学相关性，从而提升对罕见药物的预测性能。
• 该架构将入院用药、既往病史、主诉及其他临床信息作为输入特征整合。
• 模型训练采用多标签分类框架，使用Sigmoid激活函数同时预测多种药物。
• 通过可视化词嵌入、卷积滤波器和全连接层，解释学习到的表示并验证语义理解能力。

实验结果

研究问题

• RQ1 尽管临床信息有限且存在噪声，深度学习模型是否能仅基于入院记录准确预测出院用药？
• RQ2 模型捕捉药物相关性能力的提升如何改善预测性能，特别是在罕见药物上的表现？
• RQ3 CNN在预测多种出院用药方面相较于传统机器学习基线模型的优越性在多大程度上体现？
• RQ4 与基于简单特征的模型相比，原始文本学习到的语义表示如何提升预测准确率？
• RQ5 药理学相关性在提升模型对罕见和常见药物泛化能力方面发挥何种作用？

主要发现

• 与最佳基线相比，CNN模型在宏平均F1分数上实现了20%的相对提升，显著增强了整体预测性能。
• 模型在罕见药物（如阿替洛尔和地尔硫䓬）上的表现提升最为显著，得益于其对药物相关性的有效学习。
• 对于两种最常见药物——美托洛尔和呋塞米，CNN分别取得了0.79和0.70的F1分数，表明在常见药物上也表现出色。
• 模型的微平均F1分数为0.63（精确率0.70，召回率0.70），表明在全部药物集合上表现均衡。
• 多层感知机（MLP）表现最差，因其仅依赖入院用药信息，凸显整合更广泛临床背景的重要性。
• 模型在罕见药物上的优异表现归因于其利用药理学相关性弥补数据稀缺的能力。