理论与计算科学杂志
开放获取

抽象的

ADAM：数据挖掘在医疗保健领域的应用

邓肯·华莱士

在“大数据”时代，通过大规模机器学习（ML）的计算解决方案为解决以前很难解决的问题提供了途径。近年来，机器学习方法已成功应用于疾病诊断背景下的患者症状数据分析，至少在这些数据经过良好编码的情况下是如此。然而，电子健康记录 (EHR) 中的大部分数据不太可能适合经典的机器学习方法。此外，由于大量数据广泛分布在医院和个人中，分散的、计算可扩展的方法是当务之急。我们的研究基于对一小部分经常使用的患者的早期识别。这些患者患有基础疾病，导致他们反复需要医疗护理。OOHC 充当远程医疗和治疗的临时提供方式，在这种情况下，无需了解相关患者的完整病史即可进行交互。与联系 OOHC 的患者相关的病史可能存在于多家医院或手术室的几个不同的 EHR 系统中，而相关 OOHC 无法获取这些系统。因此，虽然本地解决方案是解决此问题的更好选择，但所调查的数据不完整、异构，并且主要由常规 OOHC 活动期间编译的嘈杂文本注释组成。通过一系列机器学习方法，本研究的目的是提供在初次接触时识别患者病例的方法，这可能与此类异常值有关。特别是，在开发这些案例的分类系统时采用了深度学习方法。这项研究的另一个目的是通过检查提供积极和消极案例条目的强烈指示的确切术语来阐明频繁用户案例的发现。