一种用于建模电子健康记录中纵向数据的贝叶斯方法
机器学习
2019-12-20 v1 机器学习
应用统计
摘要
分析电子健康记录（EHR）面临重大挑战，因为描述患者健康状况的样本通常很少，且即便有，其信息内容也高度多样。我们考虑的问题是如何整合稀疏采样的纵向数据、反映潜在健康状况的缺失测量值以及固定人口统计学信息，以生成在患者随访过程中更新的生存分布估计。我们提出一种非参数概率模型，该模型从一组贝叶斯树的集成中生成生存轨迹，可在不预先指定纵向过程的情况下随时间学习变量间的交互。我们在原发性胆汁性肝硬化患者数据上展示了性能提升。
引用
@article{arxiv.1912.09086,
title = {A Bayesian Approach to Modelling Longitudinal Data in Electronic Health Records},
author = {Alexis Bellot and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1912.09086},
year = {2019}
}
备注
Presented as an abstract at the Machine Learning for Health Workshop, NeurIPS 2019