Computing Patient Similarity Based on Unstructured Clinical Notes

ZELINA, Petr; Marko ŘEHÁČEK; Jana HALÁMKOVÁ; Lucia BOHOVICOVÁ; Martin RUSINKO a Vít NOVÁČEK. Computing Patient Similarity Based on Unstructured Clinical Notes. In Text, Speech, and Dialogue (TSD 2025). Erlangen, Germany: Springer-Verlag GmbH, 2026, s. 140-152. ISBN 978-3-032-02550-0. Dostupné z: https://doi.org/10.1007/978-3-032-02551-7_13.

Základní údaje

Originální název

Computing Patient Similarity Based on Unstructured Clinical Notes

Autoři

ZELINA, Petr ORCID; Marko ŘEHÁČEK; Jana HALÁMKOVÁ; Lucia BOHOVICOVÁ; Martin RUSINKO a Vít NOVÁČEK

Vydání

Erlangen, Germany, Text, Speech, and Dialogue (TSD 2025), od s. 140-152, 13 s. 2026

Nakladatel

Springer-Verlag GmbH

---

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10200 1.2 Computer and information sciences

Stát vydavatele

Německo

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

tištěná verze "print"

Odkazy

Research paper,, Source code

Impakt faktor

Impact factor: 0.402 v roce 2005

Označené pro přenos do RIV

Ano

Organizační jednotka

Fakulta informatiky

ISBN

978-3-032-02550-0

ISSN

DOI

https://doi.org/10.1007/978-3-032-02551-7_13

UT WoS

001576349100012

EID Scopus

2-s2.0-105014462183

Klíčová slova anglicky

EHR mining; machine learning; NLP; patient similarity

Štítky

firank_B

Příznaky

Mezinárodní význam, Recenzováno

---

Anotace

V originále

Clinical notes hold rich yet unstructured details about diagnoses, treatments, and outcomes that are vital to precision medicine but hard to exploit at scale. We introduce a method that represents each patient as a matrix built from aggregated embeddings of all their notes, enabling robust patient similarity computation based on their latent low-rank representations. Using clinical notes of 4,267 Czech breast-cancer patients and expert similarity labels from Masaryk Memorial Cancer Institute, we evaluate several matrix-based similarity measures and analyze their strengths and limitations across different similarity facets, such as clinical history, treatment, and adverse events. The results demonstrate the usefulness of the presented method for downstream tasks, such as personalized therapy recommendations or toxicity warnings.

---

Návaznosti

MUNI/A/1638/2024, interní kód MU	Název: Umělá inteligence a správa komplexních rozsáhlých dat Investor: Masarykova univerzita, Umělá inteligence a správa komplexních rozsáhlých dat
MUNI/G/1763/2020, interní kód MU	Název: AIcope - AI support for Clinical Oncology and Patient Empowerment (Akronym: AIcope) Investor: Masarykova univerzita, AIcope - AI support for Clinical Oncology and Patient Empowerment, INTERDISCIPLINARY - Mezioborové výzkumné projekty
TQ12000018, projekt VaV	Název: Tvorba a implementace nástrojů pro datově podložené rozhodování o prevenci a poskytování zdravotní a sociální péče: využití mikrosimulace a modulárního eHealth systému Investor: Technologická agentura ČR, Tvorba a implementace nástrojů pro datově podložené rozhodování o prevenci a poskytování zdravotní a sociální péče: využití mikrosimulace a modulárního eHealth systému, DC5 - Průřezové podpora
90254, velká výzkumná infrastruktura	Název: e-INFRA CZ II