• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>AMIA Annual Symposium Proceedings >Learning Doctors’ Medicine Prescription Pattern for Chronic Disease Treatment by Mining Electronic Health Records: A Multi-Task Learning Approach
【2h】

Learning Doctors’ Medicine Prescription Pattern for Chronic Disease Treatment by Mining Electronic Health Records: A Multi-Task Learning Approach

机译：通过挖掘电子健康记录来学习用于慢性病治疗的医生处方药模式：一种多任务学习方法

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Increasing learning ability from massive medical data and building learning methods robust to data quality issues are key factors toward building data-driven clinical decision support systems for medicine prescription decision support. Here, we attempted accordingly to address the factors using a multi-task neural network approach, benefiting from multi-task learning’s advantage in modeling commonalities to increase learning performance and neural network’s robustness to imprecise data. By mining electronic health record data, we learned medicine prescription patterns of multiple correlated antidiabetic agents in blood glucose control and antihypertensive drugs in blood pressure control scenarios. We achieved AUC increases of 0.02 to 0.06 in single drug prescription and an accuracy increase of 0.05 in prescription pattern prediction compared to logistic regression, demonstrating the efficacy of multi-task neural network approach in learning medicine prescription patterns.
机译：从海量医学数据中提高学习能力，建立对数据质量问题鲁棒的学习方法，是构建用于药物处方决策支持的数据驱动临床决策支持系统的关键因素。在这里，我们尝试使用多任务神经网络方法来解决这些因素，这得益于多任务学习在建模通用性方面的优势，以提高学习性能以及神经网络对不精确数据的鲁棒性。通过挖掘电子健康记录数据，我们了解了在血糖控制中使用多种相关抗糖尿病药和在血压控制方案中使用降压药的药物处方模式。与逻辑回归相比，单药处方的AUC增加了0.02至0.06，处方模式预测的准确度增加了0.05，证明了多任务神经网络方法在学习药物处方模式方面的功效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号