利用删失时间 - 事件数据进行风险预测的朴素贝叶斯机器学习方法
机器学习
2014-04-09 v1
摘要
预测个体经历未来临床结果的风险是一项统计任务，对临床医生和公共卫生专家都具有重要后果。现代观察性数据库（如电子健康记录 EHRs）为传统用于构建风险模型的纵向队列研究提供了替代方案，同时也带来了机遇和挑战。大样本量和详细的协变量历史使得能够使用复杂的机器学习技术来揭示复杂的关联和相互作用，但观察性数据库往往“杂乱”，存在高水平的缺失数据和不完整的患者随访。在本文中，我们提出了一种对著名的朴素贝叶斯 (NB) 机器学习分类方法的改编，使其适用于受删失影响的时间 - 事件结果。我们将该方法的预测性能与常用于医疗人群风险预测的 Cox 比例风险模型进行了比较，并利用来自中西部大型综合医疗系统的 EHR 数据集，说明了其在心血管风险预测中的应用。
引用
@article{arxiv.1404.2124,
title = {A Naive Bayes machine learning approach to risk prediction using censored, time-to-event data},
author = {Julian Wolfson and Sunayan Bandyopadhyay and Mohamed Elidrisi and Gabriela Vazquez-Benitez and Donald Musgrove and Gediminas Adomavicius and Paul Johnson and Patrick O'Connor},
journal= {arXiv preprint arXiv:1404.2124},
year = {2014}
}
备注
21 pages (including references and appendix), 3 figures