Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Foto på Mattias Ohlsson

Mattias Ohlsson

Professor

Foto på Mattias Ohlsson

A Masked Language Model for Multi-Source EHR Trajectories Contextual Representation Learning

Författare

  • Ali Amirahmadi
  • Mattias Ohlsson
  • Kobra Etminani
  • Olle Melander
  • Jonas Björk

Redaktör

  • Maria Hagglund
  • Madeleine Blusi
  • Stefano Bonacina
  • Lina Nilsson
  • Inge Cort Madsen
  • Sylvia Pelayo
  • Anne Moen
  • Arriel Benis
  • Lars Lindskold
  • Parisis Gallos

Summary, in English

Using electronic health records data and machine learning to guide future decisions needs to address challenges, including 1) long/short-term dependencies and 2) interactions between diseases and interventions. Bidirectional transformers have effectively addressed the first challenge. Here we tackled the latter challenge by masking one source (e.g., ICD10 codes) and training the transformer to predict it using other sources (e.g., ATC codes).

Avdelning/ar

  • Centrum för miljö- och klimatvetenskap (CEC)
  • LU profilområde: Naturlig och artificiell kognition
  • eSSENCE: The e-Science Collaboration
  • Avdelningen för arbets- och miljömedicin
  • EpiHealth: Epidemiology for Health
  • EXODIAB: Excellence of Diabetes Research in Sweden
  • MultiPark: Multidisciplinary research focused on Parkinson´s disease
  • Kirurgi och folkhälsa
  • EPI@LUND

Publiceringsår

2023

Språk

Engelska

Sidor

609-610

Publikation/Tidskrift/Serie

Studies in Health Technology and Informatics

Volym

302

Dokumenttyp

Konferensbidrag

Förlag

IOS Press

Ämne

  • Computer Science

Nyckelord

  • deep learning
  • disease prediction
  • electronic health records
  • Masked language model
  • patient trajectories
  • representation learning

Conference name

33rd Medical Informatics Europe Conference: Caring is Sharing - Exploiting the Value in Data for Health and Innovation, MIE2023

Conference date

2023-05-22 - 2023-05-25

Conference place

Gothenburg, Sweden

Aktiv

Published

Forskningsgrupp

  • Surgery and public health
  • EPI@LUND

ISBN/ISSN/Övrigt

  • ISSN: 1879-8365
  • ISSN: 0926-9630
  • ISBN: 9781643683881