AI技术被用于预测患者再入院率

电子健康记录存储了关于医院患者有价值的信息，但它们通常是稀疏的和非结构化的，这使得节省人力和时间的人工智能系统很难对它们进行解析。据外媒报道，纽约大学和普林斯顿大学的研究人员开发了一个用于评估临床记录的框架，自动分配一个风险评分，显示患者在30天内再次入院的可能性。他们声称，Github上公开提供的代码和模型参数明显优于基线。

该论文作者写道：“准确预测再入院在效率和减轻重症监护室医生的负担方面具有临床意义。据估计，再入院的经济负担为179亿美元，可避免的入院比例为76%。”

正如研究人员在论文《ClinicalBERT：临床记录建模与再入院预测》上所指出的那样，临床记录使用了大量的缩写和术语，这给人工智能系统设计带来了挑战。为了克服这个问题，研究人员使用了一种自然语言处理方法——谷歌的BERT模型，通过整合全篇信息，可对上下文距离很远的单词进行理解，具备更好的捕获上下文信息特征的能力。

为了训练ClinicalBERT，该团队收集了一组临床记录，并屏蔽了15%的输入标记，迫使模型预测隐藏的标记以及给定的两个句子是否是连续的。然后，研究人员利用重症监护中的多参数智能监测数据库（MIMIC-III），对该系统进行微调，以完成临床预测任务。

在另一项涉及来自MIMIC-III数据库的34560名患者的48或72小时连续记录的实验中，研究小组称，与只关注出院总结的模型相比，ClinicalBERT的30天再入院预测有所改善。此外，他们还表示，随着入院时间和临床记录的的增加，该系统在语言建模任务上开始优于最初的BERT模型。

研究人员写道：“ClinicalBERT可以帮助护理人员做出明智的决定，并在必要时提前进行干预。它的输出可以追溯到理解临床记录的哪些要素与当前预测相关，并且它也很容易适应其他任务，如诊断预测，死亡率风险评估或住院时间评估。”