MARC

 008250123s2024        us                              c    eng  d
■001000017163745
■00520250211152748
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342108980
■035    ▼a(MiAaPQ)AAI31520317
■035    ▼a(MiAaPQ)Stanfordtn305mf5188
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616.94
■1001  ▼aFleming,  Scott  Lanyon.
■24510▼aDomain-Guided  Representations  are  Superior  for  Machine  Learning  in  Healthcare
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a189  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Brunskill,  Emma;Shah,  Nigam.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aMachine  learning  to  support  decision  making  in  healthcare  typically  assumes  a  sufficient  representation  of  the  patient's  history  for  learning  and  inference,  such  that  all  information  required  to  perform  accurate  inference  is  present  in  the  materialized  patient  timeline.  We  propose  three  principles  for  designing  health  data  representations  that  are  more  expressive  and  comprehensive  compared  to  traditional  representation  approaches,  in  order  to  enable  clinical  decision  support  tasks.  Concretely,  we  propose  that  patient  timeline  representations  (1)  explicitly  model  clinicians'  observation  and  intervention  processes;  (2)  enable  integration  of  unstructured  data  and  structured  data  by  representing  all  data  as  text;  and  (3)  leverage  this  ability  by  including  clinical  notes.  We  apply  these  principles  to  several  clinical  challenges  and  provide  evidence  supporting  the  superiority  of  domain-guided  representations  for  machine  learning  in  healthcare.  We  show  that  reinforcement  learning  algorithms  built  on  data  models  which  explicitly  include  clinician  observation  and  intervention  processes  yield  context-aware  policies  that  perform  better  in  the  realistic  setting  of  patient  observation  costs  compared  to  algorithms  which  do  not  model  these  processes.  We  show  that  using  text  as  a  unifying  representation  for  both  structured  and  unstructured  data  can  enable  large  language  models  to  follow  electronic  health  record-based  instructions,  potentially  streamlining  common  clinical  workflows,  and  that  incorporating  clinical  notes  provides  a  key  benefit  for  propensity  score  models  in  causal  inference  with  observational  data.  By  improving  downstream  model  performance,  our  proposed  principles  for  representing  patient  data  could  help  clinical  machine  learning  researchers  and  practitioners  increase  both  the  effectiveness  and  efficiency  of  healthcare  delivery,  leading  to  decreased  costs  and  improved  patient  outcomes.
■590    ▼aSchool  code:  0212.
■650  4▼aSepsis
■650  4▼aPlanning
■650  4▼aDecision  making
■650  4▼aMedical  research
■650  4▼aTaxonomy
■650  4▼aLarge  language  models
■650  4▼aFiltering  systems
■650  4▼aMedicine
■690    ▼a0800
■690    ▼a0564
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163745▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books