增强电子健康记录用于不良事件检测

《Journal of Biomedical Informatics》：Augmenting electronic health records for adverse event detection

　　

摘要

目的：医疗干预导致的不良事件（AEs）是患者发病率、死亡率和医疗成本的重要贡献因素。利用电子健康记录（EHRs）检测这些事件可以促进及时的临床干预。然而，由于严重的类别不平衡、标签缺失以及EHR记录的复杂性，有效检测仍然具有挑战性。经典机器学习方法由于少数不良事件类别的表示不足以及捕捉患者人口统计信息、用药情况和相关并发症之间交互作用的能力有限，通常表现不佳。本研究旨在开发并评估一种轻量级的、受自然语言处理（NLP）启发的结构化EHR数据增强框架，以改善少数类别不良事件检测，而无需复杂的生成模型或预训练的临床医学语言模型。

方法：我们提出了TASER-AE（面向结构化EHR-不良事件的标记化增强），一种专为结构化EHR数据设计的新型数据增强流水线，结合基于Transformer的分类器。TASER-AE通过一种适应EHR的受NLP启发的数据增强框架解决这些问题，实现了在稀疏和不平衡的临床数据集中对少数类别的有效表示。TASER-AE产生的增强记录通过丰富少数不良事件类别的表示来缓解类别不平衡，从而增强了分类器的鲁棒性和预测性能。

结果：TASER-AE在少数类别上的F1得分高达0.67，大幅超越了经典机器学习基线和生成增强方法，并在多个不良事件任务中持续改进了先前的基于编辑的增强方法。在两个不同的EHR数据集上进行的实验证实了TASER-AE能够显著改善不良事件检测的能力。

结论：这些结果表明，结构化的、受NLP启发的增强方法有望克服临床预测建模中的数据局限性，最终有助于改善患者安全结果。TASER-AE已在https://github.com/Kingsford-Group/taserae上公开。

引言

不良事件（AEs）是直接由医疗护理而非患者基础健康状况引起的非预期伤害或并发症[1]。AEs可能导致住院时间延长、永久性伤害甚至死亡。AEs的普遍性和严重程度突显了其关键影响：约25%的住院Medicare患者在住院期间经历了不良事件[2]，仅不良药物事件每年就导致美国近106,000人死亡[3]、[4]。在全球范围内，不安全的医疗实践每年导致数百万人死亡，突显了迫切需要有效的预防措施来提高患者安全并减少医疗成本[5]、[6]、[7]。

从结构化临床记录中检测AEs有望实现及时的临床干预，显著改善患者预后[8]。近年来，利用电子健康记录（EHR）数据的机器学习进步已显示出识别具有高度风险的患者（如急性肾损伤、住院再入院和心脏事件等）的强烈潜力[9]、[10]、[11]、[12]、[13]。例如，深度学习模型分析EHR衍生的时间序列数据，并已成功部署以评估临床恶化的持续风险，使临床医生能够通过有针对性的预防策略（如用药调整或加强患者监测）主动干预[14]。因此，增强AE检测模型对于提高整体患者护理质量和安全性至关重要。

EHRs是患者医疗信息的全面数字存储库，包含结构化数据（如人口统计信息、诊断、药物、实验室结果）和非结构化数据（包括临床叙述和医生笔记）[15]。理想情况下，这些丰富的数据集应通过封装指示未来不良事件的关键风险因素和临床观察来促进鲁棒的预测分析。然而，EHR数据由于其固有的异质性、频繁的数据缺口、医疗机构之间不一致的编码实践以及关键临床信息通常隐藏在非结构化文本中，提出了重大的分析挑战。这些挑战使得可靠地提取预测信号变得复杂，影响了预测模型的性能[16]。

AE检测特别具有挑战性，这是由于根本性的数据局限性。首先，AEs在医疗记录中是相对罕见的事件，导致严重的类别不平衡，阻碍了机器学习模型的性能。此外，AE的EHR表型通常不精确且不完整，存在严重的漏报和编码不一致，使得确定准确的金标准变得复杂[17]、[18]、[19]。这些因素共同导致低召回率（敏感性）、低精确度（阳性预测值）以及模型过拟合倾向，降低了当前AE检测模型的预测效用[16]、[20]。

为了在其他环境中缓解类似的局限性，自然语言处理（NLP）领域的近期研究探索了数据增强技术。这些方法通过简单的操作（如同义词替换、随机插入、删除和词交换）创建现有记录的修改但语义连贯的变体，从而人为地扩展训练数据。通过引入可控的变异性，数据增强拓宽了模型对特征空间的理解并改善了其泛化和准确预测罕见结果的能力[21]、[22]。

在医疗领域，数据增强方法主要应用于临床影像数据[23]、[24]、[25]，尽管最近的工作开始将这些技术扩展到结构化EHR数据[26]。例如，Ishikawa等人[27]提出了一种增强方法，其中结构化患者数据像文本句子一样处理， underwent由词嵌入衍生的余弦相似度指标确定的语义替换。这种方法展示了显著改进，在高度不平衡的数据集上显著提高准确率和F1得分。同样，Chen和Du[28]利用自注意力对抗增强网络（SAAN）合成了高质量的少数类别临床笔记，在临床文本分类任务中达到了最先进性能。这些发现证实了智能设计的合成增强方法在解决类别不平衡和改善从结构化EHR数据检测AE方面优于传统过采样技术[29]、[30]。

现有的AE预测基线从简单的启发式触发工具到更复杂的机器学习分类器不等，通常受限于低敏感性和准确性，特别是对于罕见事件类别[31]、[32]。没有有效的数据增强，典型方法如成本敏感学习或朴素过采样仅能带来增量改进[33]、[34]。因此，探索专门的基于文本的增强策略仍然是重要进步的开放领域。

我们做出三项主要贡献。首先，我们扩展了Ishikawa等人[27]的NLP风格EHR增强，引入了同义词插入而非替换（保留所有原始标记），并结合三种互补操作（插入、删除和打乱）与类型一致约束，将编辑限制在相同特征类别内。其次，我们证明这种组合在两个队列中达到了最高的少数类别F1，显著优于未增强基线和生成基线（CVAE、CGAN），尽管其相对于最强单一编辑变体和Ishikawa等人基线的优势在三个种子上一致但无法在统计上区分。第三，我们将TASER-AE与经典ML基线、先前的EHR增强、既定的不平衡处理技术和预训练临床医学语言模型进行基准测试，在独立队列上验证了一致的少数类别增益。一个关键发现是轻量级标记级编辑持续优于生成方法，挑战了面向结构化EHR数据复杂增强架构的趋势。

我们将不良事件检测构建为固定观察窗口上的多标签分类任务，将其与前瞻性的时间预测区分开来，后者超出本研究范围。

我们提出TASER-AE（面向结构化EHR-不良事件的标记化增强）一个综合流水线，整合结构化数据标记化、针对性受NLP启发的增强和基于Transformer的分类器，专门针对从EHRs中检测AE（图1）。我们的方法不是处理原始纵向时间序列，而是基于包含人口统计信息、处方药物和在固定观察窗口内记录的并发症的患者摘要进行操作。我们的增强策略采用系统性的同义词插入、随机标记删除和结构化EHR数据的受控打乱，以产生多样化的、高质量的合成记录用于罕见事件场景。结合基于Transformer的建模，TASER-AE旨在从原始和增强数据中有效学习复杂的交互模式，在保持整体准确性的同时大幅增强模型对少数类别事件的敏感性（见表1）。

片段摘录

NLP中的数据增强

NLP领域中的标记级增强通常被改编用于丰富文本数据。操作包括随机丢弃（从句子中随机移除单词）、随机交换（交换句子中的两个单词）、随机同义词插入（选择一个随机单词并插入其一个同义词）、随机同义词替换（用同义词替换随机单词）和打乱（对整个词序列进行置换）[21]、[22]。这些增强技术有效地扩展了训练数据，

问题形式化

我们将不良事件（AE）检测构建为由数据增强增强的多标签分类任务。设x∈V^T表示由（i）年龄和性别的人口统计标记和（ii）在固定时间窗口内观察到的药物和并发症标记序列形成的患者表示，其中V是词汇表，T是结果标记长度。设y∈{0,1}^C表示对应的C个不良事件标签向量。我们的目标是学习一个映射f_θ:V^T→[0,1]^C，具有可训练参数θ，

结果

所有实验报告三个随机种子的平均值±标准差。所有方法都在每个数据集相同的保留测试集上进行评估，使用固定的分层数据划分以保留类别先验。增强仅应用于训练集；验证集和测试集从不进行增强或修改。

讨论

在本研究中，我们证明简单、有针对性的数据增强策略可以显著改善从EHR数据中检测与药物相关的AE，特别是处方药物、分配的疾病条件和非常基础的人口统计信息。我们提出的方法结合随机同义词插入、随机丢弃和打乱，在少数类别上达到了高达0.671±0.015的F1得分（绝对增益约0.61），大幅优于未增强的Transformer基线并持续改进

结论

从EHR中检测不良事件是患者安全的关键组成部分，但由于这些事件的极端罕见性和结构化临床数据的异质性，它仍然具有计算挑战性。在本研究中，我们提出了TASER-AE，一种新的框架，将受NLP启发的标记增强技术适应于丰富EHR数据集。

我们的结果表明，语义感知的增强策略大幅优于传统机器学习分类器和

CRediT作者贡献声明

Gün Kaynar：撰写——审阅与编辑，撰写——原稿，可视化，验证，软件，方法论，调查，概念化。Zhaoyi You：撰写——审阅与编辑，验证，软件，方法论，调查。Richard D. Boyce：撰写——审阅与编辑，监督，资源，调查，资金获取，数据管理。Takahiro Yakoh：撰写——审阅与编辑，监督，方法论，概念化。Carl Kingsford：撰写——审阅与编辑，

未引用的参考文献

图4

利益冲突声明

作者声明以下财务利益/个人关系，可能被视为潜在利益冲突：Carl Kingsford报告接受犹太医疗基金会提供的财务支持。Richard D. Boyce报告接受犹太医疗基金会提供的财务支持。Carl Kingsford报告接受美国国家科学基金会提供的财务支持。Carl Kingsford报告接受美国国家卫生研究院提供的财务支持。Richard D. Boyce报告

致谢

本工作部分由区域规模药物差错避免（MEARS）、犹太医疗基金会、匹兹堡大学公共卫生学院、美国国家科学基金会[III-2232121]和美国国家卫生研究院[R01HG012470]资助。数据提取由匹兹堡大学医学院生物医学信息学系健康记录研究请求（R3）服务提供，部分由临床与转化

Gün Kaynar|Zhaoyi You|Richard D. Boyce|Takahiro Yakoh|Carl Kingsford