Cartella elettronica: il deep-learning per aiutare le diagnosi

L'apprendimento profondo può aiutare a prevedere la diagnosi, suggerire trattamenti o modellare la correlazione tra eventi medici

Al giorno d’oggi, gli ospedali registrano i dati sanitari in formato digitale. L’apprendimento profondo può aiutare a prevedere la diagnosi, suggerire trattamenti o modellare la correlazione tra eventi medici utilizzando questi dati. Tuttavia, la cartella clinica elettronica è composta da diversi tipi di informazioni: funzioni continue come test di laboratorio, caratteristiche categoriali come codici di diagnosi o note cliniche a testo libero. Per ora, i modelli per l’elaborazione dei dati multimodali sono progettati a mano e sono specifici per l’attività.

Un recente studio propone un nuovo modo per ottimizzare le strategie per fondere i dati multimodali nelle cartelle cliniche. Cerca sia architetture indipendenti per ciascuna modalità sia la strategia di fusione per combinare le architetture al giusto livello di rappresentazione.

- Advertisement -

L’esperimento mostra che l’approccio suggerito supera gli attuali metodi di ricerca dell’architettura neurale unimodale in compiti come la previsione del codice di diagnosi. Una sfida importante dell’applicazione del deep learning alle cartelle cliniche elettroniche (EHR) è la complessità della loro struttura multimodale. L’EHR di solito contiene una miscela di dati strutturati (codici) e non strutturati (testo libero) con caratteristiche longitudinali scarse e irregolari, che i medici utilizzano quando prendono decisioni.

Nel regime di apprendimento profondo, determinare come le diverse modalità di rappresentazione dovrebbero essere fuse insieme è un problema difficile, che viene spesso affrontato dalla modellazione artigianale e dall’intuizione. In questo lavoro, estendiamo metodi di ricerca di architettura neurale (NAS) all’avanguardia e proponiamo la MUltimodal Fusion Architecture SeArch (MUFASA) per cercare simultaneamente attraverso essa strategie di fusione multimodale e architetture specifiche per modalità per la prima volta. Dimostriamo empiricamente che il nostro metodo MUFASA supera i NAS unimodali stabiliti su dati EHR pubblici con costi di calcolo comparabili. Inoltre, MUFASA produce architetture che superano le prestazioni di Transformer e Evolved Transformer.

- Advertisement -

Rispetto a queste linee base sulla previsione del codice di diagnosi CCS, i nostri modelli scoperti migliorano il richiamo dei primi 5 da 0,88 a 0,91 e dimostrano la capacità di generalizzare ad altre attività EHR. Studiando in profondità la nostra migliore architettura, forniamo prove empiriche che i miglioramenti di MUFASA derivano dalla sua capacità di personalizzare la modellazione per ciascuna modalità di dati e di trovare strategie di fusione efficaci“, hanno detto gli esperti.

Francesca Angelica Ereddia
Francesca Angelica Ereddia
Classe 1990, Laureata in Giurisprudenza, siciliana, una passione per la scrittura, la musica e l'arte. Per aspera ad astra, dicevano. Io, nel frattempo, continuo a guardare le stelle.

Avetrana – Qui non è Hollywood

Disney+ ha diffuso il teaser trailer e il teaser poster della nuova serie originale italiana Avetrana – Qui non è Hollywood che sarà disponibile quest’autunno sulla piattaforma...