دانلود ترجمه مقاله یادگیری نمایش چند لایه و کاربرد آن برای سوابق سلامت الکترونیک

1. مقدمه 2. مروری بر مقالات 3. روش یادگیری نمایشی چندلایه 4. نتایج تجربی و تحلیل 5. نتیجه گیری

چکیده – سوابق سلامت الکترونیک (EHR ها)، سوابق دیجیتال مرتبط با بستری، تشخیص بیماری، داروهای تجویز شده و غیره می باشند. استفاده ثانویه از EHR ها، می تواند کاربردهای بالینی انفورماتیک و توسعه روش های مراقبت سلامت را گسترش دهد. EHR ها این مشخصه منحصربفرد را دارند که ویزیت های بیمار موقتاً به ترتیب فهرست می شوند، اما کدهای تشخیص بیماری مربوط به یک ویزیت به تصادف مرتب می شوند. این ساختار سلسله مراتبی به یک شبکه چند لایه نیاز دارد تا اطلاعات رابطه ای مختلف EHR ها را کشف کند. در این مقاله، یک روش «یادگیری نمایشی چند لایه» (MLRL)، که قادر به یادگیری نمایش موثر بیمار بوسیله اکتشاف سلسله مراتبی اطلاعات ارزشمند در کدهای تشخیص و همچنین ویزیت های بیمار می باشند، را پیشنهاد می دهیم. در ابتدا، MLRL از مکانیزم توجه چندسره برای اکتشاف اتصالات بالقوه در کدهای تشخیص استفاده می کند و یک تبدیل خطی برای بیشتر نگاشت دادن بردارهای کد به نمایش های مقدار حقیقی غیرمنفی، پیاده سازی می شود. بردارهای ویزیت اولیه سپس با جمع بستن همه نمایش های کد، بدست می آیند. دوم اینکه، روش پیشنهادی، «حافظه کوتاه مدت طولانی دو طرفه» را با مکانیزم «خود توجهی» ترکیب می کند تا بردارهای وزنی ویزیت که تجمیع می شوند تا نمایش بیمار را تشکیل دهند، را یاد بگیرید. در آخر، برای ارزیابی عملکرد MLRL، از آن برای پیش بینی میزان مرگ و میر بیمار برروی EHR های حقیقی استفاده می کنیم و نتایج تجربی نشان می دهند که MLRL بهبود قابل توجهی در عملکرد پیش بینی حاصل کرده است. MLRL، در «ناحیه زیر منحنی» به رقم حدود 915/0 می رسد که نسبت به نتایج بدست آمده بوسیله روش های مبنا و پایه، عالی می باشد. علاوه بر آن، در مقایسه با نمایش داده های خام و داده های دیگر، نمایش یادگیری شده با MLRL، نتایج عالی از خود نشان می دهد و نسبت به چندین دسته کننده مختلف، بیشتر قابل دسترس می باشد.

Electronic Health Records (EHRs) are digital records associated with hospitalization, diagnosis, medications and so on. Secondary use of EHRs can promote the clinical informatics applications and the development of healthcare undertaking. EHRs have the unique characteristic where the patient visits are temporally ordered but the diagnosis codes within a visit are randomly ordered. The hierarchical structure requires a multi-layer network to explore the different relational information of EHRs. In this paper, we propose a Multi-Layer Representation Learning method (MLRL), which is capable of learning effective patient representation by hierarchically exploring the valuable information in both diagnosis codes and patient visits. Firstly, MLRL utilizes the multi-head attention mechanism to explore the potential connections in diagnosis codes, and a linear transformation is implemented to further map the code vectors to non-negative real-valued representations. The initial visit vectors are then obtained by summarizing all the code representations. Secondly, the proposed method combines Bidirectional Long Short-Term Memory with self-attention mechanism to learn the weighted visit vectors which are aggregated to form the patient representation. Finally, to evaluate the performance of MLRL, we apply it to patient’s mortality prediction on real EHRs and the experimental results demonstrate that MLRL has a significant improvement in prediction performance. MLRL achieves around 0.915 in Area Under Curve which is superior to the results obtained by baseline methods. Furthermore, compared with raw data and other data representations, the learned representation with MLRL shows its outstanding results and availability on multiple different classifiers.

این مقاله می تواند برای درس شبکه عصبی مناسب باشد. ترجمه این مقاله در 21 صفحه آماده شده و در ادامه نیز صفحه 8 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.