抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】