Software Dampak 2 (2019) 100006

daftar isi yang tersedia di ScienceDirect

Dampak software

Beranda Jurnal: www.journals.elsevier.com/software-impacts

Memajukan informatika dengan elektronik medis catatan bot (EMRBots)

Uri Kartoun
Pusat Komputasi Kesehatan, IBM Research, Cambridge, MA, USA

ARTICLEINFO ABSTRAK

Kata kunci: catatan medis elektronik (EMRs) mengandung dokumentasi sensitif dan rinci tentang berbagai kondisi pada tingkat individu. Karena EMRs tunduk
catatan medis simulasi Synthetic pada persyaratan kerahasiaan, akses kepada mereka terbatas. Dalam upaya untuk mengatasi keterbatasan privasi, berbasis pengetahuan
data medis elektronik catatan eksperimental yang dihasilkan secara artifisial catatan medis elektronik (EMRBots) telah diperkenalkan. repositori EMRBot ​telah digunakan dalam
medis Mesin-learning data-mining
berbagai skenario untuk memajukan pengajaran, meningkatkan disertasi mahasiswa, memfasilitasi hackathons, dan menghasilkan paket R.
Selain menggambarkan metodologi, naskah ulasan EMRBot ​kasus penggunaan yang dipublikasikan oleh peneliti independen.

Kecerdasan buatan

Kode metadata kode

sekarang versi v1.0

Permanen link untuk kode / repositori digunakan dari versi kode ini https://github.com/SoftwareImpacts/SIMPAC-2019-8
Lisensi Kode Hukum CC BY 4.0
Sistem kode Versi digunakan tak satupun

Kode Software Bahasa yang digunakan C #, SQL

persyaratan kompilasi, lingkungan Operating & dependensi Semua sistem operasi.
Jika tersedia Link ke dokumentasi pengembang / manual https://arxiv.org/abs/1608.00570
email dukungan untuk pertanyaan uri.kartoun@ibm.com

1. Ikhtisar Dampak
Sampling data dengan menggabungkan distribusi peristiwa (misalnya, tanggal masuk, tanggal
laboratorium), distribusi nilai-nilai (misalnya, panjang masuk tinggal, nilai laboratorium) dan distribusi
dari kovariat (misalnya, diagnosis masuk utama) telah membantu menghasilkan kerahasiaan bebas
repositori pasien virtual. Tujuan dari naskah ini adalah untuk meninjau penggunaan yang
dipublikasikan oleh peneliti independen. Tidak seperti metode lain, metodologi yang diusulkan tidak
hanya menghasilkan jenis rinci data (misalnya, mographics de-, penerimaan, keluhan utama,
komorbiditas, nilai laboratorium) tetapi juga pada akhirnya kebal dari segi kerahasiaan karena tidak
bergantung pada elemen data real ditarik dari sebuah yang ada secara ing elektronik rekam medis
(ESDM) repositori; oleh karena itu, tidak terkait dengan masalah privasi mengenai data sensitif
individu.
Pada bulan April 2015, tiga kohort yang dihasilkan (yaitu, 100 [ 1 ]; 10.000 [ 2 ]; dan 100.000 [ 3 ]
Pasien virtual) dibuat tersedia untuk umum untuk di-download di situs yang didedikasikan www.emrbots.org
[ 4 ]. Sejak diluncurkan, situs telah dikunjungi oleh lebih dari 11.500 orang; sekitar 6000 pengunjung
terdaftar nama lengkap mereka, lembaga
nama, dan alamat e-mail. Untuk saat ini, kohort telah digunakan oleh komunitas ilmiah sebagai
sumber data primer untuk menerbitkan 4 naskah jurnal [ 5 - 8 ] Dan 9 makalah konferensi [ 9 - 17 ]. Lebih
jauh, kohort menjabat sebagai sumber data primer untuk membentuk 3 disertasi PhD [ 18 - 20 ]. Selain
perguruan tinggi, lembaga yang telah menggunakan kohort termasuk start-up dan farmasi
perusahaan serta lembaga pemerintah, seperti Centers for Disease Con- trol dan Pencegahan,
Komisi Keamanan Produk Konsumen, Departemen Energi AS, Institut Nasional Standar dan
Teknologi, dan National Institutes of Health. analisis lalu lintas internet untuk website yang tersedia
dalam Tambahan Konten 1.
Repositori pasien EMRBots bisa seketika down load untuk memungkinkan penggunaan data
ESDM seperti. Penggunaan repositori tidak memerlukan instalasi perangkat lunak apapun. Repositori
berisi data mentah saja dan disediakan sebagai file flat tekstual; dengan demikian, mereka
independen dari setiap sistem operasi tertentu dan dapat digunakan dengan berbagai sistem
database. Selanjutnya, repositori dapat digunakan bahkan pada komputer-kinerja rendah, karena
mereka dapat dijalankan di

Alamat email: uri.kartoun@ibm.com .

https://doi.org/10.1016/j.simpa.2019.100006
Menerima Juni 2019 21; Diterima dalam bentuk direvisi 24 Agustus 2019; Diterima 4 September 2019 Tersedia xxxx secara online 2665-9638 / © 2019 Penulis (s).
Diterbitkan oleh Elsevier Ini adalah akses artikel terbuka di bawah CC BY-NC-ND lisensi ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ).
U. Kartoun
produk open-source software, seperti R dan MySQL, yang memiliki persyaratan angsuran minimal.
Dengan tidak ada batasan kerahasiaan, kohort dapat didistribusikan ke kelas dari berbagai ukuran.
Sebagai contoh, anggota fakultas bisa mendistribusikan catatan untuk kelas 100 siswa, semuanya
kemudian bisa menggunakannya untuk berlatih algoritma dan membangun model.
2. Penggunaan EMRBots untuk memajukan pengembangan metode tational Compu- Novel
Sebuah novel panjang memori jangka pendek (LSTM) unit, LSTM waktu-sadar (T-LSTM), yang
dapat menangani kali berlalu andal yang tidak teratur antara unsur-unsur berturut data berurutan,
dikembangkan oleh EMRBots ing incorporat- [ 12 ]. T-LSTM, terbukti unggul secara luas digunakan
panjang jangka pendek memori jaringan saraf [ 21 ], Telah mendapat perhatian besar dari para peneliti
sejak menjadi tersedia untuk umum di Au- embusan 2017 [misalnya, 22 - 28 ]. Rekan penulis mengutip
kertas berafiliasi dengan berbagai universitas serta organisasi komersial (misalnya, Adobe Penelitian,
DeepMind, Google Penelitian, IBM Research, Microsoft Research).
The codevelopers dari T-LSTM melaporkan lebih lanjut tentang penggunaan EMRBots untuk
mengembangkan kesehatan waktu-sadar-modulars (Health-ATM), arsitektur mendalam untuk
mengungkap informasi kesehatan pasien diberi geneity heterogen data ESDM [ 13 ]. Para penulis
membandingkan kinerja Kesehatan-ATM dengan model yang berkurang, termasuk jaringan saraf
berulang (RNN) [ 29 ], Convolutional RNN, penuh perhatian convolutional RNN, dan waktu-sadar
convolutional RNN, serta dengan metode yang umum digunakan lainnya, termasuk regresi logistik,
RETAIN [ 30 ], CNN NIPS [ 31 ], Dan CNN SDM [ 32 ]. Hasil prediksi penyakit dari kedua dunia nyata dan
data buatan menunjukkan kinerja yang unggul Kesehatan-ATM dibandingkan dengan semua
baseline. Perhatian yang luas dari masyarakat ilmiah untuk T-LSTM dan kinerja tinggi dicapai oleh
Kesehatan-ATM membuktikan kegunaan EMRBots. Selain itu, penggunaan melaporkan menyoroti
potensi EMRBots' untuk lebih melayani sebagai sebuah blok bangunan fundamental untuk
pengembangan metode komputasi baru difokuskan pada ESDM, dengan contoh-contoh tambahan
ditemukan di [misalnya, 6 - 8 . 10 . 11 . 15 .
17 ].
3. Penggunaan EMRBots untuk memajukan pendidikan
Anggota dari Pusat Penelitian Informatika di Universitas Chicago telah digunakan EMRBots untuk mengajar statistik dan mesin
pembelajaran [ 33 ]. lokakarya mereka didokumentasikan dalam tutorial yang rinci digambarkan kasus penggunaan mengidentifikasi
faktor risiko neoplasma ganas dan dibagi menjadi 4 Tugas; semua tugas yang diperlukan siswa untuk program menggunakan R. Tugas
pertama adalah untuk mengidentifikasi hasil (memiliki kemudahan dis-) menggunakan kode ICD-10-CM. Hal ini dicapai dengan
menggunakan perintah dasar R (misalnya, membaca data ke dalam frame data) serta dengan menerapkan fungsi yang lebih maju,
seperti bermutasi, penyaringan, memilih, dan penggabungan. Tugas kedua termasuk identifikasi penerimaan pasien dengan hasilnya
serta penerimaan pasien yang tidak terkait dengan hasilnya. Para siswa harus menerapkan kode R untuk mengekstrak fitur seperti usia
pasien, jenis kelamin, dan lama tinggal. Selanjutnya, workshop diajarkan statistik dasar, seperti menerapkan t-test pada usia rata-rata
populasi, Chi-kuadrat untuk membandingkan prevalensi jenis kelamin, dan nonparametrik Wilcoxon rank sum test untuk
membandingkan median dari lama menginap. Tugas ketiga termasuk ekstraksi fitur relatif terhadap masing-masing masuk. Selain usia,
panjang tinggal, dan jenis kelamin, fitur yang disertakan satu set wakil dari tes laboratorium (albumin, hematokrit, natrium). Sebagai
tugas akhir, para siswa diajarkan bagaimana menerapkan regresi logistik mengingat kovariat dan hasil yang didefinisikan dalam
tugas-tugas sebelumnya. Pada bulan Maret 2019 Mayampurath dan Johnson tutorial diterapkan untuk EMRBots digunakan untuk
meningkatkan '' Pengobatan Komputasi-Enabled '', kursus di- dikoreksi oleh Prof. Paul Avillach dan Prof. Isaac Kohane Departemen
Biomedical Informatics di Harvard Medical School [ Chi-kuadrat untuk membandingkan prevalensi jenis kelamin, dan nonparametrik
Wilcoxon rank sum test untuk membandingkan median dari lama menginap. Tugas ketiga termasuk ekstraksi fitur relatif terhadap
masing-masing masuk. Selain usia, panjang tinggal, dan jenis kelamin, fitur yang disertakan satu set wakil dari tes laboratorium
(albumin, hematokrit, natrium). Sebagai tugas akhir, para siswa diajarkan bagaimana menerapkan regresi logistik mengingat kovariat
dan hasil yang didefinisikan dalam tugas-tugas sebelumnya. Pada bulan Maret 2019 Mayampurath dan Johnson tutorial diterapkan
untuk EMRBots digunakan untuk meningkatkan '' Pengobatan Komputasi-Enabled '', kursus di- dikoreksi oleh Prof. Paul Avillach dan
Prof. Isaac Kohane Departemen Biomedical Informatics di Harvard Medical School [ Chi-kuadrat untuk membandingkan prevalensi
jenis kelamin, dan nonparametrik Wilcoxon rank sum test untuk membandingkan median dari lama menginap. Tugas ketiga termasuk
ekstraksi fitur relatif terhadap masing-masing masuk. Selain usia, panjang tinggal, dan jenis kelamin, fitur yang disertakan satu set wakil
dari tes laboratorium (albumin, hematokrit, natrium). Sebagai tugas akhir, para siswa diajarkan bagaimana menerapkan regresi logistik
mengingat kovariat dan hasil yang didefinisikan dalam tugas-tugas sebelumnya. Pada bulan Maret 2019 Mayampurath dan Johnson
tutorial diterapkan untuk EMRBots digunakan untuk meningkatkan '' Pengobatan Komputasi-Enabled '', kursus di- dikoreksi oleh Prof.
Paul Avillach dan Prof. Isaac Kohane Departemen Biomedical Informatics di Harvard Medical School [ dan nonparametrik Wilcoxon rank sum test untuk membandingkan median dari lama menginap. Tugas ketiga termasuk ekstraksi fitur relatif terhadap masing-masing masuk. Selain usia, panjang ting
Software Dampak 2 (2019) 100006
Contoh lain untuk meningkatkan pendidikan dengan EMRBots adalah Sistem Recommender
saja diberikan oleh Prof Kostas Stefanidis di Fakultas Ilmu Pengetahuan Alam Universitas Tampere,
Finlandia [ 34 ]. Prof. Stefanidis dan rekan telah lanjut menggunakan repositori untuk mengembangkan
model untuk rekomendasi kelompok menggabungkan tion no keadilan, dan tambahan mendefinisikan
pendekatan baru untuk mengukur kesamaan antara pasien [ 35 ].
Kursus ditentukan di atas menggambarkan bagaimana EMRBots Data set pendidikan hance en-.
Karena kurangnya kerahasiaan dan privasi KASIH require-, dosen bisa menganalisis data dalam
kelas dan mendistribusikan data [ 1 - 3 ], Kode sumber [ 36 ], Dan slide di kalangan mahasiswa. Selain
itu, penyelenggara kursus disediakan deck geser lengkap kuliah mereka, di- contoh kode cluding.
Sumber daya ini dikombinasikan dengan data EMRBots yang sebenarnya bisa bermanfaat bagi
dosen dan mahasiswa di lembaga-lembaga lainnya. Selain itu, mengingat kurangnya perhatian
mengenai mendistribusikan konten yang terkait, set EMRBots data yang juga dapat digunakan di luar
kuliah, misalnya, untuk meningkatkan hackathons. Sebuah penggunaan pertama dari EMRBots di
hackathon sebuah dilaporkan oleh Carnegie Mellon University di April 2018 [ 37 ].
Selain menawarkan siswa pengalaman dengan data ESDM-seperti, repositori telah penting
untuk memajukan disertasi PhD. Sebagai contoh, repositori digunakan untuk mengevaluasi kinerja
jenis baru cloud platform yang [ 18 ], Upaya yang menghasilkan publikasi di IEEE HealthCom konferensi
[ 9 ]. EMRBots juga digunakan untuk menilai PRIIME, kerangka kerja untuk interaktif yang
dipersonalisasi pola yang menarik penemuan [ 19 ]. Percobaan dalam disertasinya termasuk evaluasi
PRIIME dengan EMRBots dan perbandingan hasil dengan beberapa sumber daya yang tersedia
untuk umum tidak berhubungan dengan perawatan kesehatan. PhD mengakibatkan publikasi di IEEE
Konferensi Internasional tentang Big Data [ 14 ].
EMRBots juga dapat dibuat tersedia untuk integrasi dengan paket open source yang
dikembangkan oleh komunitas ilmiah. Merintis penggunaan tersebut menghasilkan penciptaan paket
R baru '' komorbiditas '', yang mampu memberikan analisis komorbiditas penyakit dari kedua
perspektif klinis dan molekuler. Paket ini menghasilkan penciptaan naskah yang diterbitkan di bioinformatika
[ 5 ].
4. catatan data
Tabel 1 merangkum beberapa karakteristik dari kelompok terbesar, yang terdiri dari 100.000
pasien virtual. Setiap pasien virtual dalam kohort dikaitkan dengan 1 sampai 10 penerimaan; setiap
masuk berlangsung dari 1 sampai 20 hari dan berhubungan dengan keluhan utama tunggal. Semua
nilai-nilai yang berhubungan dengan tanggal dan waktu. Setiap record masuk juga mencakup
beberapa pengukuran tes laboratorium umum [ 4 ]. Jumlah penerimaan per pasien, lama tinggal per
masuk, dan laboratorium nilai-nilai yang dihasilkan secara acak; Namun, mereka sampel dari rentang
yang telah ditetapkan dari nilai-nilai. Misalnya, usia pasien tidak bisa melebihi 95 tahun per 1 Januari
2015, dan pengukuran glukosa hanya bisa berada di kisaran 60-140 mg / dL. Secara total, database
berisi 1,4 GB data, yang mewakili 100.000 pasien maya terkait dengan 361.760 penerimaan dan
107.535.387 pengukuran laboratorium Total.
5. Keterbatasan
Meskipun kohort berguna untuk berlatih atau mengembangkan algoritma mesin-belajar baru,
mereka tidak dapat berfungsi sebagai sumber daya untuk menilai skenario hasil pasien yang nyata
(misalnya, 30-hari prediksi diterima kembali atau prognosis penyakit) karena proses pembuatan
mereka tidak memperhitungkan waktu yang kompleks interaksi -tergantung antara faktor yang terkait
dengan pasien nyata. Mengembangkan algoritma untuk membuat repositori pasien virtual yang andal
meniru nyata EMR adalah-tantangan lenge yang luar biasa karena memerlukan pendekatan yang
mengisi database dengan kombinasi asosiasi linear dan nonlinear antara semua elemen medis, serta
dengan asosiasi acak. Algoritma yang diperlukan akan terdiri baik tingkat individu dan tingkat populasi
asumsi dan menerapkan fungsi cerdas untuk menetapkan diterima sementara 2
U. Kartoun Software Dampak 2 (2019) 100006

Tabel 1 Referensi
Sebuah repositori pasien virtual 100.000 pasien. Variabel dan

kategori pasien ( n = 100.000) [1] U. Kartoun, EMRBots: A 100-pasien Database - Figshare, 2018, http: // figshare.
com / artikel / A_100-patient_database / 7.040.039 .

Rata-rata usia pada 2015/01/01, tahun (SD) 57,8 (17,3) [2] U. Kartoun, EMRBots: A 10.000-pasien Database - Figshare, 2018, http: //
Jenis Kelamin (%) figshare.com/articles/A_10_000-patient_database/7040060 .
Perempuan 52,0 [3] U. Kartoun, EMRBots: A 100.000-pasien Database - Figshare, 2018, http: //
Etnis (%) figshare.com/articles/EMRBots_a_100_000-patient_database/7040198 .
putih 49.0 [4] U. Kartoun, A metodologi untuk menghasilkan repositori pasien virtual, 2016, Corr abs / 1608,00570.
Asia 23.0
Amerika Afrika 15.0 [5] A. Gutiérrez-koster, À. Bravo, A. Giannoula, MA Mayer, F. Sanz, LI Furlong,
Tidak dikenal 13.0 Komorbiditas: Sebuah paket R untuk analisis sistematis komorbiditas penyakit, Bioinformatika (2018) http://dx.doi.org/10.1093/b
Berarti jumlah penerimaan per pasien (SD) 3.6 (1.5) .
Berarti lama menginap, hari (SD) 11,0 (5,2) [6] M. Nithya, T. Sheela, pembatas prediktif untuk atribut sensitif beberapa publi-
% Penduduk dengan panjang tindak lanjut (tahun) shing, Cluster Comput. (2018) http://dx.doi.org/10.1007/s10586-017-1612-y .
0-9 13.1 [7] M. Nithya, T. Sheela, Relational perkiraan algoritma limiter untuk EMRs berdasarkan ICD,
10-15 9.3 Int. J. Eng. Technol. 7 (334) (2018) 103-106, https://www.sciencepubco.com/ index.php / ijet / tulisan / view /
> 15 77,6 18782/8582 .
Populasi di bawah kemiskinan (%) 21,6 [8] J. Chen, D. Chun, M. Patel, E. Chiang, J. James, Validitas sintetik klinis
komorbiditas; Prevalensi (%) Data: Sebuah studi validasi generator terkemuka sintetis data (Synthea) menggunakan ukuran kualitas klinis,
neoplasma ganas 41,4 BMC Med. Memberitahu. Decis. Mak. 19 (1) (2019) 44,
Radang sendi 25,6 http://dx.doi.org/10.1186/s12911-019-0793-0 .
Diabetes (tipe I atau II) 24,4 [9] M. Bahrami, Singhal M., A dinamis platform komputasi awan untuk eHealth
komplikasi ginjal 17,0 sistem, di: 2015 IEEE-17 Konferensi Internasional tentang e-Health Jaringan, Aplikasi dan Layanan
Penyakit arteri koroner 7.0 (Healthcom): Pendek dan Demo Papers. 2015 Oktober, Boston, MA, USA, 2015, hlm. 14-7.
nilai laboratorium (Mean; SD)
nitrogen urea darah (mg / dL) 17,5; 7.2 [10] S. Janaswamy, RD Kent, Semantic interoperabilitas dan data pemetaan di EHR
Trombosit (k / cumm) 284,9; 95,3 sistem, di: 2016 IEEE 6 Konferensi Internasional Advanced Computing, IACC, 27-08 Februari 2016,
Kreatinin (mg / dL) 0,9; 0,2
Bhimavaram, India. [11] LS Kumar, A. Padmapriya, Bukti berdasarkan ekstraksi penyakit berikutnya dari
Albumin (gm / dL) 4.2; 1.0
Limfosit (%) 25; 5.8
catatan kesehatan ESDM dengan ukuran kelas, di: 2016 Konferensi Internasional Online pada Hijau
Engineering dan Teknologi (IC-GET) 19 November 2016, Coimbatore, India.

[12] IM Baytas, C. Xiao, X. Zhang, F. Wang, AK Jain, J. Zhou, subtyping Pasien

perbedaan antara semua peristiwa medis. Misalnya, pasien repositori virtual pasien penyakit hati melalui waktu-Aware jaringan LSTM, di: Prosiding 23 ACM SIGKDD Internasional Konferensi Knowledge

berlemak nonalkohol akan perlu untuk memasukkan asumsi tentang korelasi terbalik dari tingkat Discovery dan Data Mining, 13-07 Agustus,
2017, Halifax, NS, Canada.
albumin dan kadar natrium dengan penyakit kardiovaskular [ 38 ], Sementara maya gagal jantung
[13] Ma Tengfei, Xiao Cao, Wang Fei, Kesehatan-ATM: Sebuah arsitektur yang mendalam untuk multi-
kongestif (CHF) pasien akan perlu dikaitkan dengan prevalensi tinggi penggunaan diuretik, usia faceted pasien catatan kesehatan representasi dan risiko prediksi, di: Prosiding 2018 SIAM Konferensi
lanjut, dan prevalensi tinggi penyakit penyerta terkait, seperti gagal ginjal [ 39 ]. Internasional tentang Data Mining. [14] AB Mansurul, MAI Hasan, PRIIME: Kerangka umum untuk Interaktif Per-

Pola menarik sonalized Discovery, di: 2016 IEEE International Conference on Big Data (Big Data), 5-8
Desember 2016, Washington, DC, USA. [15] Y. Ji, C. Xu, J. Xu, H. Hu, vABS: Menuju pencarian berbasis atribut
diverifikasi
atas data cloud bersama, di: 2019 IEEE-35 Konferensi Internasional Teknik Data, ICDE, 8-11 April 2019,
ketersediaan kode Makau, Cina. [16] N. Li, C. Tsigkanos, Z. Jin, S. Dustdar, Z. Hu, Ghezzi C., PENYAIR: Privasi di

tepi dengan transformasi data dua arah, di: 2019 IEEE International Con- ference pada Komputasi Pervasif
Akses penuh ke kode sumber tersedia [ 36 ]: https://github.com/ kartoun / emrbots / . Semua dan Komunikasi, PerCom, Kyoto, Jepang,
pengguna akan menyambut untuk menggunakan database dan kode dan menerapkan modifikasi. 2019, pp. 1-10, http://dx.doi.org/10.1109/PERCOM.2019.8767395 .

Database dan kode harus terutama digunakan untuk mempublikasikan naskah ilmiah, meningkatkan
perpustakaan open source, memfasilitasi hackathons, dan kuliah. Selain download langsung dari
database [ 1 - 3 ], Dokumentasi kode sumber tersedia dalam Tambahan Konten 2.
[17] M. Vardalachakis, H. Kondylakis, L. Koumakis, A. Kouroubali, D. Katehakis,
ShinyAnonymizer: Sebuah alat untuk menganonimkan data kesehatan, di: Internasional Con- ference
Informasi dan Komunikasi Teknologi untuk Aging Well dan e-Health, ICT4AWE, 2019. [18] M. Bahrami,
Dinamis Cloud dengan Data Privacy Preservation (Ph.D. disserta- tion), Departemen Teknik Elektro dan Ilmu
Komputer di University of California, Merced, 2016.

[19] AB Mansurul, Frameworks Generik untuk Pola menarik Interaktif Personalized Discovery (Ph.D. disertasi),
Departemen Ilmu Komputer di Universitas Purdue, 2016.
Deklarasi bunga bersaing

[20] IM Baytas, Kontribusi untuk Machine Learning di Biomedical Informatics (Ph.D. disertasi), Departemen Ilmu
Komputer di Michigan State University, 2019.
Penulis menyatakan bahwa ia tidak memiliki diketahui bersaing terests in- keuangan atau
[21] S. Hochreiter, J. Schmidhuber, Long memori jangka pendek, Neural Comput. 9 (8) (1997) 1735-1780.
hubungan pribadi yang bisa muncul untuk mempengaruhi kerja dilaporkan dalam makalah ini.
[22] Z. Che, Y. Liu, solusi pembelajaran Deep fenotip komputasi dalam kesehatan
perawatan, di: 2017 IEEE International Conference on Mining Lokakarya Data, New Orleans, LA, USA, 18-21
2017. November [23] B. Jin, H. Yang, L. Sun, C. Liu, Y. Qu, J. Tong, Sebuah mesin pengobatan dengan
memprediksi berikutnya periode resep, di: Prosiding 24 ACM SIGKDD International Conference on Knowledge
Pengakuan
Discovery & Data Mining , KDD '18, ACM, New York, NY, USA, 2018, hlm. 1608-1616.

Proyek ini didanai sendiri oleh penulis (Uri Kartoun PhD).

[24] X. Teng, M. Yan, AM Ertugrul, YR Lin, Deep ke hypersphere: Kuat dan
Penemuan tanpa pengawasan anomali dalam jaringan yang dinamis, di: Prosiding Dua puluh Ketujuh
Konferensi Bersama Internasional tentang Artificial Intelligence, 2018, hlm 2724-2730.. [25] F. Ma, J. Gao, T.
Lampiran A. Tambahan data
Suo, Q. Anda, J. Zhou, A. Zhang, prediksi Risiko pada catatan kesehatan elektronik dengan pengetahuan
medis sebelumnya, di: Prosiding 24 ACM SIGKDD International Conference on Knowledge Discovery & data
pertambangan, KDD '18, ACM, New York, NY, USA, 2018, hlm. 1910-1919.
bahan tambahan yang berkaitan dengan artikel ini dapat ditemukan secara online di https://doi.org/10.1016/j.simpa.2019.100006
.

3
U. Kartoun
[26] B. Bai, S. Zhang, BL Egleston, S. Vucetic, representasi ditafsirkan belajar untuk kesehatan melalui menangkap
perkembangan penyakit melalui waktu, di: Prosiding 24 ACM SIGKDD International Conference on
Knowledge Discovery & Data Mining, KDD '18, ACM, New York, NY, USA, 2018, hlm. 43-51.
[27] S. Wu, S. Liu, S. Sohn, S. Bulan, CI Wi, Y. Juhn, H. Liu, Modeling acara asynchronous urutan dengan RNNs, J.
Biomed. Menginformasikan 83 (2018) 167-177.
[28] B. Liu, S. Shi, Y. Wu, D. Thomas, L. Symul, E. Pierson, J. Leskovec, Predict-
ing kehamilan menggunakan data skala besar dari kesehatan perempuan pelacakan aplikasi mobile, di: Ling
Liu, Ryen Putih (Eds.), The World Wide Web Conference, WWW '19, ACM, New York, NY, USA, 2019, hlm.
2999-3005, http://dx.doi.org/
10,1145 / 3.308.558,3313512 .
[29] E. Choi, A. Schuetz, WF Stewart, J. Sun, Menggunakan model jaringan saraf berulang untuk deteksi dini
timbulnya gagal jantung, J. Am Med. Memberitahu. Assoc. (2016).
[30] E. Choi, MT Bahadori, J. Sun, J. Kulas, A. Schuetz, W. Stewart, Mempertahankan:
Model prediksi diinterpretasi untuk kesehatan menggunakan mekanisme waktu perhatian terbalik, Adv. Saraf
Inf. Proses. Syst. (2016) 3504-3512, http://arxiv.org/ abs / 1608,05745 .
[31] Z. Che, Y. Cheng, Z. Sun, Y. Liu, Pemanfaatan jaringan saraf convolutional untuk
prediksi resiko dengan fitur medis embedding, di: NIPS 2016 Workshop Machine Learning untuk Kesehatan,
NIPS ML4HC 2016.
[32] Y. Cheng, F. Wang, P. Zhang, Hu J., prediksi Risiko dengan kesehatan elektronik
catatan: Pendekatan pembelajaran dalam, di: Prosiding 2016 SIAM Konferensi Internasional tentang Data
Mining 2016.
Software Dampak 2 (2019) 100006
[33] A. Mayampurath, J. Johnson, statistik Pemodelan Data Klinis, Pusat Informatika Penelitian di University of
Chicago, 2018.
[34] K. Stefanidis, Keadilan dalam rekomendasi kelompok dalam domain kesehatan, di: Recommender Systems
(TIETS43) 2017.
[35] M. Stratigi, H. Kondylakis, Fairgrecs: Adil rekomendasi kelompok dengan memanfaatkan informasi kesehatan
pribadi, di: Database dan Aplikasi Sistem Pakar. DEXA
2018, di: Kuliah Catatan di Ilmu Komputer, 11030, Springer, Cham, 2018.
[36] Uri Kartoun, EMRBots:. Kode sumber penuh 2019, GitHub . [37] T. Gebert, J. Shuli, S. Jiaxian, karakteristik
Allegheny county opioid overdosis
dengan seorang penjelajah data yang interaktif dan alat prediksi sintetis. 2018. arXiv:
1804,08830 .
[38] KE Corey, U. Kartoun, H. Zheng, RT Chung, SY Shaw, Menggunakan elektronik
Database catatan medis untuk mengidentifikasi faktor-faktor risiko kardiovaskular non-tradisional pada penyakit
hati berlemak nonalkohol, Am. J. Gastroenterol 111 (5) (2016) 671-676,
https://www.ncbi.nlm.nih.gov/pubmed/26925881 .
[39] LA Allen, KE Smoyer Tomic, DM Smith, et al., Tarif dan prediktor 30-
hari ulang masuk di antara pasien komersial diasuransikan dan Medicaid-terdaftar di rumah sakit dengan
gagal jantung sistolik, CIRC. Jantung Gagal. 5 (6) (2012) 672-679,
http://www.ncbi.nlm.nih.gov/pubmed/23072736 .