基于嵌入技术的结构化电子病历患者表示:开发与验证研究gydF4y2Ba

介绍gydF4y2Ba

在过去的十年中，电子病历(emr)中存储的数字信息量呈爆炸式增长，其中包含大量关于患者临床病史的信息。在各种临床应用中广泛使用这些信息已成为一种普遍趋势[gydF4y2Ba1gydF4y2Ba]，帮助做出诊断决定[gydF4y2Ba2gydF4y2Ba-gydF4y2Ba4gydF4y2Ba]，预测患者预后[gydF4y2Ba5gydF4y2Ba-gydF4y2Ba8gydF4y2Ba]，并提供治疗建议[gydF4y2Ba9gydF4y2Ba-gydF4y2Ba11gydF4y2Ba]。gydF4y2Ba

众所周知，数据表示方法对数据应用程序的性能变得越来越重要[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba13gydF4y2Ba]。近年来，许多研究者通过表示学习将不同类型的医学数据转换为向量进行了初步尝试。然后，他们将带有这些表征的电子病历数据应用于临床任务[gydF4y2Ba6gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba15gydF4y2Ba]，更有效地利用医疗数据，提高预测分析的性能。崔等[gydF4y2Ba6gydF4y2Ba比较了三种分布式表征方法(Skip-gram、Continuous Bag-of-Words和latent semantic analysis)在预测住院费用和住院时间(LOS)方面的性能。Ning等[gydF4y2Ba15gydF4y2Ba]通过Skip-gram训练了生物医学期刊文章中医学概念的向量表示，并提出了一种基于医学概念向量表示的全自动疾病表型特征提取方法。此外，一些研究者通过深度学习学习患者表征[gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba12gydF4y2Ba]。王哲等[gydF4y2Ba5gydF4y2Ba设计了一种基于卷积神经网络的特征重排表示，用于心力衰竭死亡率预测。王磊等[gydF4y2Ba3.gydF4y2Ba]使用自动编码器(一种无监督深度学习算法)在各种预测任务中从EMR数据生成低维表示，如再入院预测和肺炎预测。一项类似的研究[gydF4y2Ba12gydF4y2Ba使用基于递归神经网络的去噪自编码器将患者记录编码为低维密集向量，用于心衰预测。gydF4y2Ba

然而，在包含高维和多样化特征的结构化EMR (sEMR)数据的表示方面仍然存在挑战。诸如人口特征、疾病诊断、体检和程序以及实验室测试等特征可能具有离散或连续的值，因此难以揭示它们之间的潜在关系。此外，由于不可避免的缺失值，很难充分利用每个可用的功能(例如实验室测试)。如何处理长度不等的病历是值得探讨的问题。gydF4y2Ba

因此，在本研究中，我们利用了一种源自自然语言处理(NLP)的分布式嵌入技术，即Skip-gram算法，通过一些自适应变化从sEMR数据中获得有效的表示。采用降维可视化方法和特征关联分析法对特征表示进行评价。我们进一步对用所提出的表征表示的患者进行聚类分析，以评估表征方案。我们的目的是探索基于嵌入的表示在sEMR数据挖掘任务中的可行性和优越性。gydF4y2Ba

方法gydF4y2Ba

研究数据和数据预处理gydF4y2Ba

收集2014年1月至2016年12月北京首都医科大学宣武医院104752例住院患者144375例的磁共振成像数据。将患者的特征分为7大类:人口统计学特征、入院和出院情况、医疗资源利用情况、疾病诊断(《国际疾病分类》第十版[ICD-10]代码确定)、检查和程序(《国际疾病分类》第九版《临床修改》[ICD-9-CM]代码确定)、实验室检查和药物(《国际疾病分类》第九版[ICD-9-CM]代码确定)gydF4y2Ba多媒体附录1gydF4y2Ba)。每次住院都要维持这些数据。如果患者多次住院或多次实验室检查，则仅包括第一次住院或实验室检查。在我们可以远程访问数据之前，患者的个人信息完全从数据集中删除，确保数据以匿名和安全的方式使用。该研究和数据的使用得到了医院人类研究伦理委员会的批准。gydF4y2Ba

集中于某一疾病的数据分析将更有针对性和针对性，因为某一组患者可能具有相似的特征。中风是一种发病率高、死亡率高、致残率高的严重疾病[gydF4y2Ba16gydF4y2Ba，gydF4y2Ba17gydF4y2Ba]。挖掘数据中隐藏的知识对脑卒中的诊断和治疗具有重要意义。因此，我们以脑卒中患者为研究对象进行表征评价。在数据集中，有8232条记录涉及初级诊断为卒中的成年患者(ICD-10代码I60 ~ I64、I66和I67.8) [gydF4y2Ba18gydF4y2Ba]）.其中，1397例患者初诊为出血性卒中(HS;ICD-10编码I60 ~ I62)和6835;ICD-10代码I63、I64、I66、I67.8)。gydF4y2Ba

由于Skip-gram算法需要离散输入，因此连续特征的值被分割成几个离散值。年龄分为<18岁、18-34岁、35-44岁、45-59岁和≥60岁。每个实验室检查项目根据临床实验室检查参考文献分为正常和异常2级或高、中、低3级。其他连续特征分组为4个百分位数箱(四分位数)，每个箱包含所有样本的四分之一gydF4y2Ba多媒体附录1gydF4y2Ba)。因此，一个特征具有几个称为医学概念的离散值。例如，特征“性别”有两个概念，男性和女性。如果将患者记录视为一个句子，则将记录中的医学概念视为句子中的单词。所有的记录组成了训练语料库。涉及的代表性特征包括人口特征、住院情况、医疗资源的利用、疾病诊断、体检和程序、实验室测试和药物。与患者预后相关的特征，包括LOS、医院费用和出院路线，被用来评估患者的陈述;因此，他们被排除在两个训练语料库之外。完整的语料库由来自104,752例患者记录的13,757个独特的医学概念组成，而子语料库由来自8232例中风患者记录的3769个独特的医学概念组成。gydF4y2Ba

医学概念最初是用单热向量编码的，其中单热向量的维度等于数据集中不同概念的数量。在单热编码方案中，首先生成语料库中所有不同医学概念的词汇表;然后，将每个医学概念表示为0-1向量，其中目标概念在词汇表中的索引设为1，其他所有概念均设为0。gydF4y2Ba

Embedding-Based表示gydF4y2Ba

我们使用Skip-gram算法[gydF4y2Ba19gydF4y2Ba来学习医学特征的表征。Skip-gram算法可以将单词映射到一个低维实数空间中，在这个实数空间中相关单词的位置很近。假设相似的词可能有相似的上下文，Skip-gram算法预测当前(目标)词的周围词。当目标单词移动到下一个单词时，重复相同的上下文预测。Skip-gram算法的目标是最大化以下平均对数概率:gydF4y2Ba

在哪里gydF4y2BaTgydF4y2Ba是包含目标单词的句子的长度，gydF4y2BacgydF4y2Ba(在本研究中设置为5)是训练环境的大小(称为窗口大小)，gydF4y2BawgydF4y2Ba_tgydF4y2Ba和gydF4y2BawgydF4y2Ba_{t + jgydF4y2Ba}表示目标词和gydF4y2BajgydF4y2Ba训练上下文窗口中目标词前后的相邻词，gydF4y2BavgydF4y2Ba代表了gydF4y2BadgydF4y2Ba维(gydF4y2BadgydF4y2Ba在本研究中设置为200)实数向量的单词，和gydF4y2BaWgydF4y2Ba(本研究中全语料库和笔划语料库分别为13,757和3769)为语料库中的总字数。gydF4y2Ba

与具有相对固定词序的自然语言句子不同，医学概念在记录中的位置是手动指定的。很难假设概念越相关，它们就越接近记录。因此，与目标概念相关的医学概念可能不会出现在式(1)中的训练上下文窗口中。为了减少概念序列对Skip-gram算法的影响，我们使用了洗牌机制[gydF4y2Ba14gydF4y2Ba]随机重新排列语料库中每条记录中医学概念的顺序。然后将洗牌后的语料库用于训练嵌入向量。洗牌训练过程进行20次，得到20个与一个医学概念对应的嵌入向量。这些向量的平均值被认为是概念的最终嵌入表示。由于患者对某一特征只能有一种医学概念，因此将该特征表示为嵌入向量。在使用Skip-gram算法进行训练后，一位患有gydF4y2BakgydF4y2Ba医学概念gydF4y2BakgydF4y2Ba功能会有gydF4y2BakgydF4y2Ba实数向量。这些向量的平均值被认为是患者的基于嵌入的表示。gydF4y2Ba

代表计划的评估gydF4y2Ba

特征表示的评价gydF4y2Ba

特征表示首先通过使用t分布随机邻居嵌入(t-SNE)算法将d维实数向量空间映射到二维空间来进行可视化评估[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba]。我们使用Python 3.7软件和sklearn.manifold.TSNE工具进行可视化。t-SNE算法的主要参数为:嵌入空间维数为2,perplexity为30，学习率为200，迭代次数为1000，梯度计算方法为Barnes-Hut，角度为0.5。比较了不同语料库下医学概念向量训练的约简可视化效果。为了清晰起见，在中风语料库中至少10条记录中出现的441个诊断概念被映射到二维空间中。根据临床分类软件代码[gydF4y2Ba21gydF4y2Ba]作进一步分析。gydF4y2Ba

然后评估基于嵌入的特征表示如何捕获特征之间的潜在关联。我们从诊断、实验室检查、体检和程序、药物和其他特征类别中确定了10个最接近的医学概念，在低维嵌入空间中为两个指标诊断概念:蛛网膜下腔出血(SAH)和大脑中动脉闭塞和狭窄(OSMCA)。指标诊断概念与其他概念之间的相似度采用余弦相似度度量，该方法适用于数值向量。gydF4y2Ba

病人代表的评估gydF4y2Ba

分布式嵌入技术具有揭示样本之间潜在相关性的优势[gydF4y2Ba19gydF4y2Ba]，而无监督聚类分析是一项机器学习任务，更多地依赖于样本相关性。因此，采用聚类分析来确定所提出的患者表示是否在揭示患者之间潜在的相关性方面具有一定的优势，从而使聚类方案更具聚集性。为了进行比较，我们采用了6种基于嵌入的患者表征方案和2种参考方案。使用初始完整语料库、初始笔画语料库、洗牌完整语料库和洗牌笔画语料库作为训练语料库，生成了四种基于嵌入的表示。此外，为了探索训练上下文中包含的特征数量对表征的影响，我们还设计了两种表征学习方案，分别使用最大窗口大小为255和224的初始完整和笔画语料库。最大窗口大小是语料库中具有最多医学概念的记录的长度。采用两种常用的数据表示方法作为参考方法;一种是多热表示，即所有特征的一热码按位求和;另一种是离散特征的多热码和连续特征的原始值的混合。在混合表示中，我们选择了至少90%的脑卒中患者的59项实验室检查。使用相应实验室测试的中位数插值实验室测试中的缺失值。 Figure S1 in多媒体附录1gydF4y2Ba用简单的例子描述本研究中使用的表示方案。gydF4y2Ba

我们对脑卒中患者进行k-means聚类分析，使用余弦距离作为基于嵌入的表示，Jaccard距离[gydF4y2Ba22gydF4y2Ba]用于多热表示，Jaccard距离(用于离散特征)加上余弦距离(用于连续特征)用于混合表示。我们评估了Hopkins统计的聚类解决方案[gydF4y2Ba23gydF4y2Ba]、廓形指数(SI) [gydF4y2Ba24gydF4y2Ba]和Davies-Bouldin指数(DBI) [gydF4y2Ba24gydF4y2Ba]。霍普金斯统计描述了聚类数据的一致性，而SI验证了聚类内部的一致性，DBI测量了每个聚类和最相似的聚类之间的平均相似度。Hopkins statistics和DBI的取值范围为0 ~ 1,SI的取值范围为−1 ~ 1。Hopkins统计值和SI值越高，DBI值越低，聚类结果越好。在本研究中，SI还用于比较不同k值下的k-means聚类解，以确定最优聚类数。对与患者预后相关的特征进行比较，以确定聚类之间的差异。还评估了聚类解决方案的临床特征，包括人口统计学特征、医疗资源利用、疾病诊断、实验室检查、程序和患者预后。通过统计检验比较聚类之间这些临床特征的差异，旨在证实聚类分析发现的知识是否与临床事实一致，还是医学领域的新知识。gydF4y2Ba

结果gydF4y2Ba

特征表示可视化gydF4y2Ba

图1gydF4y2Ba展示了在二维空间中用不同的语料库训练的疾病概念的嵌入向量。用中风语料库训练的疾病概念向量(gydF4y2Ba图1gydF4y2BaD和E)比满体组(gydF4y2Ba图1gydF4y2Ba此外，用洗牌全语料库训练的病媒(gydF4y2Ba图1gydF4y2BaA)与初始完整语料库训练的患者相比，显示出更强的疾病聚集性(gydF4y2Ba图1gydF4y2BaB)和使用最大窗口大小(gydF4y2Ba图1gydF4y2BaC)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

如图所示gydF4y2Ba图2gydF4y2BaB，出血性中风(红点)和心血管疾病(橙点)相关的疾病概念大部分分别集中在红色圆圈和橙色圆圈内，表明同一类别的疾病概念更容易在嵌入空间中聚集在一起。此外，嵌入空间中邻近的医学概念通常具有临床相关性。例如，在嵌入空间中，由不同ICD-10代码编码但属于相同粗略疾病类别的疾病概念能够聚集在一起(例如，循环系统疾病与ICD-10代码以Q2和I in开头)gydF4y2Ba图2gydF4y2BaA).此外，如图所示gydF4y2Ba图2gydF4y2BaC、与脑出血(I61.002、I61.005、I61.601、I61.902)和脑梗死(I63.905)相关的异常感知症状和体征疾病，如昏迷(ICD-10代码，R40.205)、四肢瘫痪(G82.501)、乏力(R53xx09)。这与临床事实是一致的[gydF4y2Ba25gydF4y2Ba]。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

特征相关性分析gydF4y2Ba

表1gydF4y2Ba列出了与两种脑血管疾病:SAH和OSMCA最接近的3个医学概念(来自不同的特征类别)。在不同类别的医学概念中，即使是异质的，临床相关的概念也可以通过概念向量之间的余弦相似度来识别。例如，与SAH最接近的实验室检测结果是脑脊液呈红色和浑浊，这与临床事实一致。此外，嵌入向量可以在同一粗糙类别中揭示更详细的医学概念信息。对于SAH和OSMCA这两个典型脑血管疾病的诊断概念，最接近的手术是动脉瘤夹持术和经皮药物洗脱支架植入术，临床通常分别用于治疗SAH和OSMCA。此外，与同一索引概念最接近的概念在用全语料库和中风语料库训练时并不完全相同，但两者都与索引概念具有临床相关性。我们还注意到，索引概念与其最接近的概念在stoke语料库中的余弦相似度大于完整语料库中的余弦相似度。例如，在全语料库和卒中语料库中，SAH及其15个最接近的医学概念的相似度平均值分别为0.910和0.973。表S2gydF4y2Ba多媒体附录1gydF4y2Ba显示了每个特征类别中最接近SAH和OSMCA的10个医学概念。gydF4y2Ba

患者聚类分析gydF4y2Ba

在k-means聚类分析中，确定最优k为2，当k在每种表示方案中从2变为15时，对应的SI值最高(见图S2)gydF4y2Ba多媒体附录1gydF4y2Ba)。在以嵌入向量表示患者的聚类方案中，Hopkins统计量和SI值分别最大(0.931)和0.862,DBI值最小(0.551)。gydF4y2Ba表2gydF4y2Ba)，表明利用嵌入载体对患者进行聚类具有较高的均匀性和聚集性，分散性较低。gydF4y2Ba

在8个聚类方案中，聚类1平均包含6869例(范围6214-7704)患者，其中92.2%(范围85.5%-95.7%)的患者最初诊断为IS。聚类2平均包含1363例(范围528-2018)患者，其中63.1%(范围51.2%-74.5%)的初步诊断为HS。因此，我们使用IS作为聚类1患者的标签，HS作为聚类2患者的标签。在基于嵌入的表示中，用洗牌全语料库训练的表示在聚类1和聚类2上的F1得分最高，分别为0.944和0.717 (gydF4y2Ba表3gydF4y2Ba)。在该聚类方案中，95.0%(6495/6835)的IS患者和69.4%(970/1397)的HS患者分别被正确地分为聚类1和聚类2。第2类群中以IS为主诊断的患者(340/6835,5.0%)中以HS为继发诊断的占9.4%(32/340)。与此同时，在第1类中以HS为主诊断的患者中(427/1397,30.6%)，继发诊断为IS的患者占48.9%(209/427)。在这种情况下，集群性能可能会被低估。gydF4y2Ba

聚类1和聚类2脑卒中患者的死亡率差异有统计学意义(45/6922,0.65% vs 91/1310, 6.95%;gydF4y2BaPgydF4y2Ba<.001)、每次住院费用(17.7 vs 11.30万元人民币)、gydF4y2BaPgydF4y2Ba<.001)和LOS (9.8 vs 12.6天;gydF4y2BaPgydF4y2Ba<措施)。聚类2患者在呼吸机方面的医疗资源占用比聚类1患者多(544/ 1310,41.5% vs 105/ 6922,1.5%);gydF4y2BaPgydF4y2Ba<.001)和重症监护病房(1025/1310,78.2% vs 353/6922, 5.1%;gydF4y2BaPgydF4y2Ba<措施)。这可能部分与群集2的患者通常也患有肺炎等急性疾病有关(189/1310,14.4%对318/6922,4.6%，gydF4y2BaPgydF4y2Ba<.001)，而第1类患者有慢性疾病，如瘫痪(3735/6922,0.54.0% vs 119/1310, 9.1%;gydF4y2BaPgydF4y2Ba<措施)。表S3gydF4y2Ba多媒体附录1gydF4y2Ba描绘了更多的比较。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

结构化医疗数据的表示对于医疗领域的数据挖掘任务至关重要。gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba5gydF4y2Ba，gydF4y2Ba6gydF4y2Ba，gydF4y2Ba14gydF4y2Ba]。单热码方案是一种简单而广泛使用的表示形式。然而，由于它的高维数和稀疏性，可能不适合复杂多样的EMR数据。对大量单热编码数据的分析可能需要更大的计算能力，因为它们不仅具有高维和稀疏的性质，而且数据的潜在相关性也不明确[gydF4y2Ba26gydF4y2Ba]。因此，许多研究都集中在有效和高效的数据表示上。在这项研究中，我们采用了一种源自NLP技术的基于嵌入的方法来表示结构化的患者数据。所提出的表示方法对医学概念之间的关联进行了深入而直观的洞察，并极大地提高了基于相似性的数据挖掘任务的性能。gydF4y2Ba

分布式嵌入表示具有维数低、能够揭示被表示对象之间的潜在关系等优点。gydF4y2Ba19gydF4y2Ba]。因此，基于嵌入或基于深度学习的表示已广泛应用于各种应用，特别是在临床NLP领域，用于表示非结构化医学文本，包括生物医学出版物[gydF4y2Ba27gydF4y2Ba]、临床记录[gydF4y2Ba28gydF4y2Ba]和放射学报告[gydF4y2Ba29gydF4y2Ba-gydF4y2Ba31gydF4y2Ba]。利用这些表征，研究人员可以以较少的专家努力进行特征工程，将原始文本转换为具有临床意义的低维密集向量，并进一步识别患者的隐含模式。受非结构化医疗数据表示学习的启发，研究人员将这些表示方法用于结构化医疗数据，包括诊断码、程序码、药物码等医疗代码[gydF4y2Ba5gydF4y2Ba，gydF4y2Ba32gydF4y2Ba]、化验[gydF4y2Ba12gydF4y2Ba]，以及与时间相关的数据，这些数据为患者提供了信息[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba12gydF4y2Ba，gydF4y2Ba33gydF4y2Ba，gydF4y2Ba34gydF4y2Ba]。gydF4y2Ba

在这项研究中，我们借鉴了这种最初面向文本的技术的思想，并将其应用于具有不同患者特征的sEMR数据。我们使用Skip-gram算法将每个医学概念嵌入到一个低维实数向量中。可视化和定量分析均表明，基于嵌入的特征表示对医学概念之间的关联和联系有较清晰的认识，与医学知识和临床实践相一致。另一方面，用嵌入向量表示的患者聚类解比用多热向量表示的聚类解具有更好的聚类性。基于嵌入的表示具有降维、便于数值计算和关联挖掘等优点。gydF4y2Ba

信息表示通常来自不同的模式和医疗数据来源，如横断面和纵向数据，以及定量指标和叙述性说明。在本研究中，人口统计学特征、诊断、体检和程序、实验室检查、药物治疗、住院和出院都被纳入特征表征学习。实验室检查的一个特殊和不可避免的特点是，患者可能根据诊断和治疗的需要进行不同的实验室检查项目。这必然导致实验室测试的大量缺失值。连续值离散化与Skip-gram算法的结合解决了这一问题，使所有可用的特征得到充分利用。聚类分析表明，用嵌入载体表示的患者比用原始形式表示的患者更有可能聚在一起，在原始形式中，由于缺失值，大约四分之三的实验室检测被取消。这可能部分归因于所有特征的包含和连续特征的离散化。gydF4y2Ba

当使用Skip-gram算法对sEMR数据进行表示学习时，进行了一些自适应更改。首先，我们在构建训练语料库时采用了洗牌机制，以减少概念顺序对训练上下文覆盖的影响。Glicksberg等[gydF4y2Ba14gydF4y2Ba在一段时间内随机打乱了医学概念。我们进一步扩展了洗牌概念的思想。医学概念在患者记录中随机重新排列了20次。对每个医学概念用不同的洗牌语料库训练得到的20个嵌入向量进行平均，作为最终的嵌入向量。几个评估任务的结果表明，基于洗牌的表征在特征和患者水平上都比不基于洗牌的表征有更令人满意的表现。gydF4y2Ba

在Skip-gram算法中，训练上下文的范围也是影响算法性能的关键因素。出于与使用洗牌方法相同的原因，我们将窗口大小设置为最大值，以使训练上下文覆盖最多的相邻概念。然而，在聚类任务中没有明显的性能改进。这一发现与其他研究结果一致[gydF4y2Ba33gydF4y2Ba，gydF4y2Ba35gydF4y2Ba研究发现，随着窗口大小的增加，表现会变得更糟。研究表明，广泛的训练环境可能会给训练带来冗余信息甚至噪声。此外，Skip-gram算法中使用的语料库也与本研究中聚类任务的性能提升有关。使用包含所有病历的语料库训练表征的脑卒中患者与仅使用包含病历的语料库训练表征的脑卒中患者相比，具有更高的聚集性和更低的离散性。这一发现与王燕山等人的研究结果相似[gydF4y2Ba27gydF4y2Ba结果表明，基于嵌入的公共领域语料库表示在生物医学信息检索中比基于生物医学领域语料库表示的检索结果更令人满意。gydF4y2Ba

限制gydF4y2Ba

我们的研究有一些局限性。首先，我们没有使用对评估患者病程和预后至关重要的以时间为导向的患者记录。医疗事件的历史可能影响未来的医疗事件;这些医学序列数据对临床诊断和治疗至关重要。丰富的面向时间的数据，包括住院记录中的时间序列特征和多个住院记录之间的时间性，被一些针对序列数据的算法用于学习患者表征，如循环神经网络[gydF4y2Ba12gydF4y2Ba]、时效性注意法[gydF4y2Ba33gydF4y2Ba]，深度[gydF4y2Ba36gydF4y2Ba]和Patient2Vec [gydF4y2Ba37gydF4y2Ba]。这些与时间相关的表征，从纵向角度捕获患者的顺序信息，可用于监督预测任务[gydF4y2Ba12gydF4y2Ba，gydF4y2Ba36gydF4y2Ba，gydF4y2Ba37gydF4y2Ba]，特征层面的无监督类任务疾病聚类分析[gydF4y2Ba33gydF4y2Ba]。相比之下，我们只是将具有不同特征类型的患者横断面数据，关注某一医院的静态特征，通过Skip-gram算法在特征和患者两个层面上进行有效表示。其次，患者表示只是对具有相同权重的特征的嵌入向量的简单平均。这可能与临床特征可能对特定疾病的诊断具有不同重要性的事实不完全一致。最后，我们仅用聚类分析评估了基于嵌入的患者表示的有效性。提出的患者代表需要在各种临床有意义的任务中得到更多的验证。gydF4y2Ba

结论gydF4y2Ba

在本研究中，我们应用嵌入技术从具有不同类型临床特征的sEMR数据中学习患者表征。通过原始Skip-gram算法的自适应变化，基于嵌入的表示可以在某种程度上反映特征和患者之间的潜在关联。在临床上有意义的聚类任务中的性能改善表明所提出的患者代表的有效性和效率。预计基于嵌入的表示将有助于EMR数据的广泛二次使用。gydF4y2Ba