Communication Dans Un Congrès Année : 2025

Prédiction de la trajectoire du patient : Intégration des notes cliniques aux transformers

Sifal Klioui
  • Fonction : Auteur
  • PersonId : 1504559
Sana Sellami
  • Fonction : Auteur
  • PersonId : 1032230
Youssef Trardi
  • Fonction : Auteur
  • PersonId : 1504560

Résumé

The prediction of patient disease trajectories using Electronic Health Records (EHRs) is challenging due to non-stationarity, the granularity of medical codes, and difficulties in integrating multimodal data. Current models often overlook critical insights in unstructured data, primarily relying on structured diagnosis codes. In this paper, we propose a novel approach that incorporates unstructured clinical notes into deep learning models for sequential disease prediction. By embedding clinical notes in Transformer-based models, we provide a richer representation of patient histories, enhancing accuracy in predicting future diagnoses. Our experiments show significant improvements in predictive performance compared to traditional models relying solely on structured codes.

La prédiction des trajectoires de maladies à partir des dossiers médicaux électroniques (DME) pose des défis liés à la non-stationnarité des données, à la granularité des codes médicaux et à l'intégration de données multimodales. Les DME combinent données structurées, comme les codes de diagnostic, et données non structurées, telles que les notes cliniques, souvent sous-exploitées malgré leur richesse informative. Pour remédier à ces limites, nous proposons d'intégrer les notes cliniques non structurées dans des modèles de prédiction séquentielle des maladies basés sur les modèles Transformers, améliorant ainsi la précision des prédictions de diagnostics futurs. Les expérimentations menées sur les ensembles de données MIMIC-IV ont montré que l'approche proposée offre de meilleures performances en comparaison des modèles traditionnels reposant uniquement sur des données structurées.

Fichier principal
Vignette du fichier
1002990.pdf (1) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04938159 , version 1 (10-02-2025)

Identifiants

  • HAL Id : hal-04938159 , version 1

Citer

Sifal Klioui, Sana Sellami, Youssef Trardi. Prédiction de la trajectoire du patient : Intégration des notes cliniques aux transformers. Extraction et Gestion des Connaissances, Jan 2025, Strasboug, France. pp.135-146. ⟨hal-04938159⟩
0 Consultations
0 Téléchargements

Partager

More