临床决策转换器：一种推荐系统，其将期望范围的临床状态作为"目标"，并输出用于患者的药物序列。
随着最近在需要上下文感知的任务中取得的成就，已采用基础模型来处理来自电子健康记录 (EHR) 系统的大规模数据。然而，以往基于基础模型的临床推荐系统模仿临床医生行为的目的有限，并没有直接考虑缺失值的问题。在本文中，我们提出了 Clinical Decision Transformer (CDT)，这是一种推荐系统，可生成一系列药物以达到作为目标提示给出的所需临床状态范围。
我们采用了基于 GPT 的架构，具有准入注意掩码和列嵌入。在一项实验中，我们从 EHR 系统中提取了一个糖尿病数据集，其中包含 4788 名患者的治疗史。我们观察到，CDT 根据目标提示范围（例如，NormalA1c、LowerA1c 和 HigherA1c）实现了预期的治疗效果，这与行为克隆的情况相反。
- 我们从电子健康记录 (EHR) 系统中提取了糖尿病数据集，并用它来训练两个模型；提出的 Clinical Decision Transformer 和 Counterfactual Recurrent Network [1] 作为估计推荐效果的评估模型。
- 评估模型根据之前的入院史和 Clinical Decision Transformer 目前推荐的药物，估计下一次入院的反事实临床状态。
- 我们发现，与事实处方和行为克隆相比，Clinical Decision Transformer 推荐的药物可以使患者的临床状态（例如血红蛋白 A1c）朝着预期的方向（例如血红蛋白 A1c 的正常范围：4–5.6% [2]）转变.
上下文嵌入
- 有必要将入院间和入院内的信息上下文化，以充分利用以异质性和高缺失率为特征的大规模 EHR 数据（对于我们数据集中的实验室测试列；平均 44.39%，中位数 22.37%）。
- 在 t-SNE 分析中，我们观察到每个入院点的输出嵌入都根据处方进行了聚类，而输入入院在上下文化之前是纠缠在一起的。
- 在这项研究中，冷启动对应于输入准入长度为没有先前准入历史的情况。
注意模式
- 我们将注意力模式的代表性案例可视化，以分析 Clinical Decision Transformer 如何推荐药物并根据上下文嵌入顺序 EHR 数据。
- 我们发现该模型倾向于利用最近的入院间信息来对当前入院的临床状态进行情境化，而当先前的信息不足时，入院间的情境化变得更加活跃。
详细点击标题