Improving Clinical Decision Making with a Two-Stage Recommender System: A Case Study on MIMIC-III Dataset
Notice bibliographique
Résumé
Abstract Clinical decision-making is a challenging and time-consuming task that involves integrating a vast amount of patient data, including medical history, test results, and notes from clinicians. To assist this process, clinical recommender systems have been developed to provide personalized recommendations to healthcare practitioners. However, creating effective clinical recommender systems is complex due to the diversity and intricacy of clinical data and the need for customized recommendations. In this paper, we propose a two-stage recommender framework for clinical decision-making basedon the publicly available MIMIC dataset of electronic health records. The first stage of the framework employs a deep neural networkbased model to retrieve a set of candidate items, such as diagnosis, medication, and prescriptions, from the patient’s electronic health records. The model is trained to extract relevant information from clinical notes using a pre-trained language model. The second stage of the framework utilizes a deep learning model to rank and recommend the most pertinent items to healthcare providers. The model considers the patient’s medical history and the context of the current visit to offer personalized recommendations. To evaluate the proposed model, we compared it to various baseline models using multiple evaluation metrics. The findings indicate that the proposed model achieved a precision of 89% and a macro-average F1 score of approximately 84%, indicating its potential to improve clinical decision-making and reduce information overload for healthcare providers. The paper also discusses challenges, such as data availability, privacy, and bias, and suggests areas for future research in this field.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».