聚合-消除-预测：从异构电子健康记录中检测药物不良事件
机器学习
2019-07-16 v1 计算机与社会
机器学习
摘要
我们研究在电子健康记录中检测药物不良事件的问题。本工作的挑战在于聚合涉及诊断代码、药物代码以及实验室测量的异构数据类型。针对同一问题提出的早期框架仅使用实验室测量作为数据特征，在随机森林分类器上展现出有前景的预测性能。我们扩展了该框架，同时额外纳入诊断和药物处方代码。此外，我们在其上采用一种递归特征选择机制，提取前k个最重要的特征。我们在五个药物不良事件医学数据集和六种不同的分类器上的实验评估表明，这些额外特征的集成在AUC方面提供了显著且统计上显著的改进，同时使用了医学相关特征。
引用
@article{arxiv.1907.06058,
title = {Aggregate-Eliminate-Predict: Detecting Adverse Drug Events from Heterogeneous Electronic Health Records},
author = {Maria Bampa and Panagiotis Papapetrou},
journal= {arXiv preprint arXiv:1907.06058},
year = {2019}
}
备注
4 pages