一种从电子健康记录中识别罕见病患者的 Bootstrap 机器学习方法
机器学习
2016-09-07 v1 计算与语言
摘要
在大量其他可能的诊断中，罕见病非常难以识别。患者数据可用性的提高和机器学习算法的改进使我们能够通过计算手段解决这一问题。在本文中，我们针对一种此类罕见病——心脏淀粉样变性。我们旨在借助机器学习算法自动化识别潜在心脏淀粉样变性患者的过程，并学习最具预测性的因素。在经验丰富的心脏病专家的帮助下，我们准备了一个包含 73 个正例（心脏淀粉样变性）和 197 个负例的黄金标准。使用集成机器学习分类器，我们达到了 0.98 的平均交叉验证 F1 分数。部分预测变量包括：年龄以及心脏骤停、胸痛、充血性心力衰竭、高血压、原发性开角型青光眼和肩关节炎的诊断。需要进一步的研究来验证该系统在整个卫生系统中的准确性及其对其他疾病的泛化能力。
引用
@article{arxiv.1609.01586,
title = {A Bootstrap Machine Learning Approach to Identify Rare Disease Patients from Electronic Health Records},
author = {Ravi Garg and Shu Dong and Sanjiv Shah and Siddhartha R Jonnalagadda},
journal= {arXiv preprint arXiv:1609.01586},
year = {2016}
}