Prédiction de la mortalité et de l'utilisation des ressources en soins intensifs : une approche d'apprentissage profond utilisant des dossiers de santé électroniques multimodaux avec des techniques de traitement du langage naturel

Contexte La prédiction de la mortalité et de l'utilisation des ressources à partir des dossiers de santé électroniques (DSE) est complexe mais essentielle pour optimiser les résultats pour les patients et gérer les coûts en unité de soins intensifs (USI). Les approches existantes se concentrent principalement sur les DSE structurés, ignorant souvent les informations cliniques précieuses contenues dans les notes en texte libre. De plus, le potentiel des informations textuelles au sein des données structurées n'est pas pleinement exploité. Cette étude visait à présenter et évaluer un cadre d'apprentissage profond utilisant des techniques de traitement du langage naturel qui intègre des DSE multimodaux pour prédire la mortalité et l'utilisation des ressources dans les services de soins intensifs. Méthodes En utilisant deux ensembles de données de DSE du monde réel, nous avons développé et évalué notre modèle sur trois tâches cliniques par rapport aux principales méthodes existantes. Nous avons également réalisé une étude d'ablation sur trois composants clés de notre cadre : les prompts médicaux, les textes libres et l'encodeur de phrases pré-entraîné. De plus, nous avons évalué la robustesse du modèle face à la corruption des DSE structurés. Résultats Nos expériences sur deux ensembles de données du monde réel à travers trois tâches cliniques ont montré que notre modèle proposé améliorait les métriques de performance de 1.6\%/0.8\% pour le BACC/AUROC pour la prédiction de la mortalité, de 0.5%/2.2% pour le RMSE/MAE pour la prédiction de la LOS, de 10.9%/11.0% pour le RMSE/MAE pour l'estimation de la durée chirurgicale par rapport aux meilleures méthodes existantes. Il a systématiquement démontré des performances supérieures par rapport aux autres modèles de référence à travers trois tâches à différents taux de corruption. Conclusions Le cadre proposé est une approche d'apprentissage profond efficace et précise pour prédire la mortalité et l'utilisation des ressources en soins intensifs. L'étude met également en évidence le succès de l'utilisation de l'apprentissage par prompts avec un encodeur transformer pour analyser les DSE multimodaux. Fait important, le modèle a montré une forte résilience à la corruption des données au sein des données structurées, en particulier à des niveaux de corruption élevés.