EHR基礎モデルは時間的分布シフトの存在におけるロバスト性を改善する【JST・京大機械翻訳】

Guo, L. L.; Steinberg, E.; Fleming, S. L.; Posada, J.; Lemmon, J.; Pfohl, S. R.; Shah, N.; Fries, J.; Sung, L.

プレプリント

J-GLOBAL ID：202202217401432128 整理番号：22P0335108

EHR基礎モデルは時間的分布シフトの存在におけるロバスト性を改善する【JST・京大機械翻訳】

EHR Foundation Models Improve Robustness in the Presence of Temporal Distribution Shift

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年04月19日プレプリントサーバーでの情報更新日： 2022年04月19日
JST資料番号： O7002B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

背景:時間的分布シフトは,時間にわたる臨床予測モデルの性能に負の影響を与える。電子健康記録(EHR)に関する自己監督学習を用いた訓練基礎モデルは,タスク特異的モデルのロバスト性を改善することができる有益なグローバルパターンを獲得するのに有効である可能性がある。【目的】臨床予測モデルの配布(ID)および分布外(OOD)性能の改善におけるEHR基礎モデルの有用性を評価する。方法:コホートは,2009~2021年の間に入院した成人入院患者から成った。ゲート再発ユニット(GRU)および変圧器(TRANS)ベースの基礎モデルを,2009~2012年に入院した患者のEHRに事前訓練し,その後,患者表現(CLMBR)を構築するために使用した。これらの表現を用いて,ロジスティック回帰モデル(CLMBRGRUおよびCLMBRTRANS)を学習し,病院死亡率,長期滞在期間,30日再入院およびICU入院を予測した。CLMBRGRUとCLMBRTRANSを,ID(2009~2012)とOOD(2013~2021)年群のカウントベース表現(カウント-LR)とエンドツーエンド(ETE)GRUと変圧器モデルについて学習したベースラインロジスティック回帰モデルと比較した。性能を,領域-受信-操作-特性曲線,領域-精度-再現曲線,および絶対較正誤差を用いて測定した。結果:CLMBRで訓練されたモデルは,IDとOOD年群でのカウント-LRと比較して,一般的により良い識別を示した。さらに,それらは,それらのETE対照物よりも,しばしば適合または良好であった。最後に,自己監督学習タスクにおける基礎モデル性能は,下流モデルのIDとOOD性能と密接に追跡した。結論:これらの結果は,電子健康記録に関する事前訓練基礎モデルが,時間的分布シフトの存在下で良好に機能する臨床予測モデルを開発するための有用なアプローチであることを示唆する。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

医用情報処理

, , , , ,

前のページに戻る