Toepassingen in Clinical Data Science met focus op Multimodal Deep Learning-methoden

Clinical Data Science (CDS) vertegenwoordigt de kruising tussen Health Informatics en het gebruik en ontwerp van geavanceerde Data Analytics-tools om kritieke problemen in de gezondheidszorg op te lossen. De trends op de markt voor zorgtechnologie weerspiegelen de dringende behoefte aan geavanceerde digitale oplossingen. De wereldwijde markt voor informatica voor de gezondheidszorg werd in 2016 gewaardeerd op USD 39,45 miljard en zal naar verwachting in 2025 USD 123,24 miljard bereiken. Een van de kritieke punten om oplossingen te ontwikkelen, betreft het gebruik van hoogwaardige invoergegevens. In de context van CDS zit 80% van deze gegevens opgesloten in ongestructureerde medische notities. Daarom stroomlijnen op Natural Language Processing gebaseerde tools de klinische onderzoeksworkflows en helpen ze de waarde van patiëntgegevens te vergroten. In dit doctoraat zullen we theoretische kennis en toepassingsgerichte oplossingen onderzoeken in het domein van Clinical Data Science met een specifieke focus op Deep Learning-methoden. Concreet willen we eerst een open-sourcetool ontwikkelen die standaard elektronische medische dossiers (EPD's) omzet in inbeddingen voor populaire ML-pakketten. Breid vervolgens nieuwe inbeddingen uit, wijzig of definieer zelfs nieuwe inbeddingen om verschillende soorten EPD's te modelleren om de ongestructureerde medische notities later samen te voegen met gestructureerde gegevens om een Generalized Healthcare Transformer-architectuur te definiëren, waarmee eerder werk zoals ClinicalBERT wordt uitgebreid (Huang et al., 2019).