BACKGROUND Chronic obstructive pulmonary disease (COPD) is a progressive lung disease that is classified into stages based on disease severity. We aimed to characterize the time to progression prior to death in patients with COPD and to generate a temporal visualization that describes signs and symptoms during different stages of COPD progression. METHODS We present a two-step approach for visualizing COPD progression at the level of unstructured clinical notes. We included 15,500 COPD patients who both received care within Partners Healthcare's network and died between 2011 and 2017. We first propose a four-layer deep learning model that utilizes a specially configured recurrent neural network to capture irregular time lapse segments. Using those irregular time lapse segments, we created a temporal visualization (the COPD atlas) to demonstrate COPD progression, which consisted of representative sentences at each time window prior to death based on a fraction of theme words produced by a latent Dirichlet allocation model. We evaluated our approach on an annotated corpus of COPD patients' unstructured pulmonary, radiology, and cardiology notes. RESULTS Experiments compared to the baselines showed that our proposed approach improved interpretability as well as the accuracy of estimating COPD progression. CONCLUSIONS Our experiments demonstrated that the proposed deep-learning approach to handling temporal variation in COPD progression is feasible and can be used to generate a graphical representation of disease progression using information extracted from clinical notes.

中文翻译：

---

使用深度学习和非结构化临床笔记对慢性阻塞性肺疾病进展进行时间可视化。

背景技术慢性阻塞性肺疾病（COPD）是一种进行性肺疾病，其根据疾病的严重程度分为多个阶段。我们旨在刻画COPD患者死亡前进展的时间，并生成描述在COPD进展不同阶段的体征和症状的时间可视化。方法我们提出了一种分两步的方法，用于在非结构化临床笔记水平上可视化COPD进展。我们纳入了15,500名COPD患者，他们均在Partners Healthcare的网络内接受护理，并于2011年至2017年死亡。我们首先提出了一个四层深度学习模型，该模型利用经过特殊配置的循环神经网络捕获不规则的时间间隔段。使用那些不规则的时间间隔段，我们创建了一个时间可视化（COPD图集）来演示COPD的进展，该过程由死亡前每个时间窗口的代表性句子组成，这是由潜在的狄利克雷分配模型产生的一部分主题词组成的。我们在带有注释的COPD患者的非结构化肺，放射学和心脏病学注释语料库中评估了我们的方法。结果与基线相比，实验表明，我们提出的方法改善了可解释性，并提高了COPD评估的准确性。结论我们的实验表明，所提出的深度学习方法可用于处理COPD进展中的时间变化，是可行的，并可用于使用从临床笔记中提取的信息来生成疾病进展的图形表示。它由潜在的狄利克雷分配模型产生的一部分主题词，由死亡前每个时间窗口的代表性句子组成。我们在带有注释的COPD患者的非结构化肺，放射学和心脏病学注释语料库中评估了我们的方法。结果与基线相比，实验表明，我们提出的方法改善了可解释性，并提高了COPD评估的准确性。结论我们的实验表明，所提出的深度学习方法可用于处理COPD进展中的时间变化，是可行的，并可用于使用从临床笔记中提取的信息来生成疾病进展的图形表示。它由潜在的狄利克雷分配模型产生的一部分主题词，由死亡前每个时间窗口的代表性句子组成。我们在带有注释的COPD患者的非结构化肺，放射学和心脏病学注释语料库中评估了我们的方法。结果与基线相比，实验表明，我们提出的方法改善了可解释性，并提高了COPD评估的准确性。结论我们的实验表明，所提出的深度学习方法可用于处理COPD进展中的时间变化，是可行的，并可用于使用从临床笔记中提取的信息来生成疾病进展的图形表示。