arXivDaily arXiv每日学术速递 周一至周五更新
arXiv 2211.08082cs.LGcs.NE
收藏

UniHPF:零领域知识的通用医疗预测框架

UniHPF : Universal Healthcare Predictive Framework with Zero Domain Knowledge

KAIST(韩国科学技术院);NAVER AI Lab(NAVER AI实验室);Asan Medical Center, University of Ulsan College of Medicine(蔚山大学医学院峨山医学中心)

Kyunghoon Hur, Jungwoo Oh, Junu Kim, Jiyoun Kim, Min Jae Lee, Eunbyeol Cho, Seong-Eun Moon, Young-Hak Kim, Edward Choi

AI总结:

本文提出 UniHPF 通用医疗预测框架,在无需医学领域知识和极少预处理的条件下,构建可处理不同 EHR 系统异构数据的大规模预测模型,并通过实验验证其有效性。

摘要:

尽管电子健康记录(EHR)数据丰富,但其异质性限制了医疗数据在构建预测模型中的利用。为应对这一挑战,我们提出了通用医疗预测框架(UniHPF),该框架无需医学领域知识,并且对多个预测任务只需极少的预处理。实验结果表明,UniHPF 能够构建大规模 EHR 模型,处理来自不同 EHR 系统的任意形式的医疗数据。我们相信,我们的发现可为进一步研究 EHR 的多源学习提供有益的见解。

英文摘要:

Despite the abundance of Electronic Healthcare Records (EHR), its heterogeneity restricts the utilization of medical data in building predictive models. To address this challenge, we propose Universal Healthcare Predictive Framework (UniHPF), which requires no medical domain knowledge and minimal pre-processing for multiple prediction tasks. Experimental results demonstrate that UniHPF is capable of building large-scale EHR models that can process any form of medical data from distinct EHR systems. We believe that our findings can provide helpful insights for further research on the multi-source learning of EHRs.

机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。

↑