深度插值网络在生理时间序列聚类中的应用
机器学习
2020-04-29 v1 定量方法
机器学习
摘要
背景：在医院收治早期，临床医生必须在患者 acuity 演变过程中利用有限信息做出诊断和治疗决策。然而，来自患者的时序生命体征信息既稀疏又采集不规则，这种情况对机器学习/深度学习技术分析和辅助临床医生改善人类健康结果构成了重大挑战。为应对此问题，我们提出了一种新颖的深度插值网络，以从入院六小时内测量的稀疏且不规则采样的时序生命体征中提取潜在表示。方法：我们创建了一个单中心纵向电子健康记录数据集，涵盖一家三级医疗中心所有 (n=75,762) 时长六小时或以上的成人患者入院记录，其中 55% 用于训练，23% 用于验证，22% 用于测试。提取了入院六小时内六种生命体征（收缩压、舒张压、心率、体温、血氧饱和度和呼吸频率）的所有原始时间序列。提出一种深度插值网络，从此类不规则且稀疏的多变量时间序列数据中学习，提取固定的低维潜在模式。我们使用 k-means 聚类算法将患者入院记录聚为 7 类。结果：训练、验证和测试队列具有相似的年龄（55-57 岁）、性别（55% 女性）和入院生命体征。识别出七个不同簇。M 解释：在一组异质性住院患者队列中，深度插值网络从入院六小时内测量的生命体征数据中提取了表示。该方法可能对时间受限和不确定性下的临床决策支持具有重要意义。
引用
@article{arxiv.2004.13066,
title = {Application of Deep Interpolation Network for Clustering of Physiologic Time Series},
author = {Yanjun Li and Yuanfang Ren and Tyler J. Loftus and Shounak Datta and M. Ruppert and Ziyuan Guan and Dapeng Wu and Parisa Rashidi and Tezcan Ozrazgat-Baslanti and Azra Bihorac},
journal= {arXiv preprint arXiv:2004.13066},
year = {2020}
}