Ein neuartiges Patientensimilaritätsnetzwerk (PSN)-Rahmenwerk basierend auf Multi-Modell Deep Learning für Präzisionsmedizin

Präzisionsmedizin kann als der Vergleich eines neuen Patienten mit bestehenden Patienten definiert werden, die ähnliche Eigenschaften aufweisen und als Patientensimilarität bezeichnet werden können. Mehrere Deep-Learning-Modelle wurden verwendet, um Patientensimilaritätsnetzwerke (PSNs) zu erstellen und anzuwenden. Die Herausforderungen im Zusammenhang mit Datenheterogenität und Dimensionalität machen es jedoch schwierig, ein einzelnes Modell zur Reduzierung der Daten-Dimensionalität zu verwenden und die Merkmale verschiedener Datentypen zu erfassen. In diesem Papier schlagen wir ein Multi-Modell-PSN vor, das heterogene statische und dynamische Daten berücksichtigt. Die Kombination von Deep-Learning-Modellen und PSN ermöglicht umfangreiche klinische Evidenz und Informationsextraktion, mit denen ähnliche Patienten verglichen werden können. Wir verwenden die bidirektionalen Encoder-Darstellungen von Transformern (BERT), um die kontextuellen Daten zu analysieren und Wort-Embeddings zu generieren, wobei semantische Merkmale mithilfe eines konvolutionalen neuronalen Netzwerks (CNN) erfasst werden. Dynamische Daten werden mit einem auf lange-kurze-Speicher (LSTM)-basierten Autoencoder analysiert, der die Daten-Dimensionalität reduziert und die zeitlichen Merkmale der Daten bewahrt. Wir schlagen einen Datenfusionansatz vor, der zeitliche und klinische Narrative-Daten kombiniert, um die Patientensimilarität zu schätzen. Die von uns durchgeführten Experimente haben gezeigt, dass unser Modell eine höhere Klassifikationsgenauigkeit bei der Bestimmung verschiedener Gesundheitsbeschwerden von Patienten im Vergleich zu anderen traditionellen Klassifikationsalgorithmen bietet.