一种用于从EHR时间序列数据进行患者潜在状态估计与分类的新深度状态空间分析框架
机器学习
2023-07-24 v1
摘要
包括癌症与慢性病在内的许多疾病需要长期治疗与长期策略。聚焦电子健康记录（EHRs）的机器学习与AI研究应运而生以满足此需求。有效治疗策略不仅需捕捉患者检测值的序列变化，还需通过捕捉患者随时间内部状态，构建可解释且临床可解释的模型。本研究提出“深度状态空间分析框架”，利用深度状态空间模型对EHR进行时间序列无监督学习。该框架可学习、可视化并聚类与疾病进展相关的患者潜在状态的时间变化。我们使用来自12,695名癌症患者的时间序列实验室数据评估框架。通过估计潜在状态，我们成功发现了与预后相关的潜在状态。通过可视化与聚类分析，识别了每种抗癌药物特有的状态转换期间患者状态与检测项目的时间转移。我们的框架在捕捉可解释潜在空间上超越现有方法，有望增进我们从EHR理解疾病进展，辅助治疗调整与预后判定。
引用
@article{arxiv.2307.11487,
title = {A New Deep State-Space Analysis Framework for Patient Latent State Estimation and Classification from EHR Time Series Data},
author = {Aya Nakamura and Ryosuke Kojima and Yuji Okamoto and Eiichiro Uchino and Yohei Mineharu and Yohei Harada and Mayumi Kamada and Manabu Muto and Motoko Yanagita and Yasushi Okuno},
journal= {arXiv preprint arXiv:2307.11487},
year = {2023}
}
备注
21 pages, 6 figures