用于挖掘异构非随机缺失电子健康记录数据的潜主题模型
机器学习
2018-11-02 v1 机器学习
摘要
电子健康记录（EHR）是丰富的患者健康信息异构集合，其广泛采用为系统性健康数据挖掘提供了巨大机遇。然而，异构的 EHR 数据类型和有偏确认带来了计算挑战。在此，我们提出 mixEHR，一种结合协同过滤与潜主题模型的无监督生成模型，其利用潜疾病主题分布联合建模数据观测偏差与实际数据的离散分布。我们将 mixEHR 应用于来自 MIMIC 数据集的 1280 万条表型观测，并用其揭示潜疾病主题、解释 EHR 结果、填补缺失数据并预测重症监护病房中的死亡率。通过模拟与真实数据，我们表明 mixEHR 优于先前方法并揭示有意义的多疾病见解。
引用
@article{arxiv.1811.00464,
title = {A latent topic model for mining heterogenous non-randomly missing electronic health records data},
author = {Yue Li and Manolis Kellis},
journal= {arXiv preprint arXiv:1811.00464},
year = {2018}
}