一种用于跨电子健康记录系统的脓毒性休克早期预测的对抗域分离框架
机器学习
2021-03-23 v1 神经与进化计算
摘要
利用电子健康记录（EHRs）对患者疾病进展建模对于辅助临床决策至关重要。虽然先前大多数工作主要聚焦于使用从单一医疗系统收集的EHR开发有效的疾病进展模型，但相对较少的工作研究跨不同系统构建鲁棒且可泛化的诊断模型。在这项工作中，我们提出一个通用域适应（DA）框架，处理从不同医疗系统收集的EHR中两类差异：一类由异质患者群体引起（协变量偏移），另一类由数据收集流程的差异引起（系统性偏差）。先前的DA研究主要聚焦于解决协变量偏移而非系统性偏差。在这项工作中，我们提出一种对抗域分离框架，通过对抗学习过程在所有系统间维持一个全局共享的不变潜在表示，同时为各系统分配特定于域的模型以提取不能也不应在系统间统一的局部潜在表示，从而解决这两类差异。此外，我们提出的框架基于变分循环神经网络（VRNN），因其能够捕捉复杂时间依赖关系并处理时间序列数据中的缺失值。我们使用来自美国两个不同医疗系统的真实世界EHR，评估我们的框架对一种极具挑战性的病症——脓毒性休克的早期诊断。结果显示，通过分离全局共享与特定域的表示，我们的框架在两个EHR中的脓毒性休克早期预测性能均显著提升，并优于当前最先进的DA模型。
引用
@article{arxiv.2010.13952,
title = {An Adversarial Domain Separation Framework for Septic Shock Early Prediction Across EHR Systems},
author = {Farzaneh Khoshnevisan and Min Chi},
journal= {arXiv preprint arXiv:2010.13952},
year = {2021}
}
备注
to be published in 2020 IEEE International Conference on Big Data