Réduction de dimension des antécédents médicaux par auto-encodeur neuronal pour des modèles prédictifs à l’urgence

L’informatisation des soins de santé génère de vastes volumes de données cliniques, offrant un fort potentiel de recherche, mais au prix de coûts computationnels élevés. La prise en compte des antécédents médicaux illustre ce défi: un encodage dichotomique classique produit des matrices de grande dimension, clairsemées et coûteuses à traiter. La réduction de dimensionnalité pourrait atténuer ce problème, mais demeure peu étudiée en médecine d’urgence. Cette étude visait à développer un auto-encodeur neuronal afin de compresser les antécédents médicaux dans un espace latent réduit, exploitable pour des modèles prédictifs.

​

​Read more...