ترجمه فارسی مقاله مسیرهای بیمار از قبل آموزش دیده برای پیش بینی رویدادهای دارویی نامطلوب با استفاده از پرونده های سلامت الکترونیکی مبتنی بر مدل داده های رایج

چکیده

Pretraining electronic health record (EHR) data through language models by treating patient trajectories as natural language sentences has improved various medical tasks. However, EHR pretraining models have never been utilized in adverse drug event (ADE) prediction. Here, we propose a novel pretraining scheme for common data model (CDM) based EHR data, named CDM-BERT. We utilized diagnosis, prescription, measurement, and procedure domains from observational medical outcomes partnership (OMOP)-CDM. We newly adopted domain embedding (DE) to simplify pretraining procedure and to improve comprehension of medical context. ADE prediction was selected as a finetuning task. For drug groups, we included nonsteroidal anti-inflammatory drugs (NSAID), anticoagulants (AC), glucocorticoids (GC), and chemotherapy (Chemo). For corresponding adverse events, we selected peptic ulcer (PU), intracranial hemorrhage (ICH), osteoporosis (OP), and neutropenic fever (NF), respectively. CDM-BERT was validated by internal and external datasets with 510,879 and 419,505 adult inpatients. CDM-BERT outperformed all the other baselines in all cohorts, demonstrating the effectiveness of DE (area under the receiver operating characteristic curve (AUROC) of 0.977, 0.908, 0.980, 0.989 for NSAID-PU, AC-ICH, GC-OP, Chemo-NF cohorts in internal validation, and 0.967, 0.960, 0.972, 0.959 in external validation, respectively). We also identified important features for each cohort, and several prior studies and clinical knowledge suggested the results. CDM-BERT has demonstrated its potential as a foundation model through its prediction performance, interpretability, and compatibility.

چکیده به فارسی (ترجمه ماشینی)

داده های ثبت سلامت الکترونیکی (EHR) از طریق مدل های زبان با درمان مسیرهای بیمار به عنوان جملات زبان طبیعی ، کارهای مختلف پزشکی را بهبود بخشیده است.با این حال ، از مدل های پیش بینی EHR هرگز در پیش بینی وقوع داروهای جانبی (ADE) استفاده نشده است.در اینجا ، ما یک طرح پیش تنظیم جدید برای داده های EHR مبتنی بر مدل داده های مشترک (CDM) ، به نام CDM-Bert پیشنهاد می کنیم.ما از حوزه های تشخیص ، تجویز ، اندازه گیری و رویه از مشارکت نتایج پزشکی مشاهده شده (OMOP) -CDM استفاده کردیم.ما به تازگی اتخاذ شده دامنه (DE) برای ساده کردن روش پیش تنظیم و بهبود درک زمینه پزشکی.پیش بینی ADE به عنوان یک کار finetuning انتخاب شد.برای گروه های دارویی ، ما داروهای ضد التهابی غیر استروئیدی (NSAID) ، ضد انعقادی (AC) ، گلوکوکورتیکوئیدها (GC) و شیمی درمانی (شیمی درمانی) را شامل می شویم.برای عوارض جانبی مربوطه ، ما به ترتیب زخم معده (PU) ، خونریزی داخل جمجمه (ICH) ، پوکی استخوان (OP) و تب نوتروپنی (NF) را انتخاب کردیم.CDM-BERT توسط مجموعه داده های داخلی و خارجی با 510،879 و 419،505 بستری بزرگسالان تأیید شد.CDM-Bert از تمام خطوط دیگر در کلیه گروهها بهتر عمل کرد و نشان دهنده اثربخشی DE (منطقه زیر منحنی مشخصه عملکرد گیرنده (AUROC) 0.977 ، 0.908 ، 0.980 ، 0.989 برای NSAID-PU ، AC-ICH ، GC-OP ، Chemooگروههای -NF در اعتبار داخلی و 0.967 ، 0.960 ، 0.972 ، 0.959 در اعتبار سنجی خارجی).ما همچنین ویژگی های مهمی را برای هر گروه شناسایی کردیم ، و چندین مطالعه قبلی و دانش بالینی نتایج را پیشنهاد کردیم.CDM-BERT پتانسیل خود را به عنوان یک مدل پایه از طریق عملکرد پیش بینی ، تفسیر و سازگاری خود نشان داده است.