融合领域知识的深度循环网络用于出院时不良事件预测
机器学习
2021-04-12 v1
摘要
深度学习架构在广泛领域中建模复杂数据具有极高的容量。然而，这些架构在利用保险理赔数据支持复杂预测问题（如30天再入院）方面的能力有限，主要由于数据稀疏问题。因此，经典机器学习方法，尤其是那些在手工特征中嵌入领域知识的方法，往往与深度学习方法的性能相当，有时甚至优于深度学习方法。在本文中，我们说明了如何通过在深度学习架构中融合领域知识来实现深度学习的潜力，以预测出院时的不良事件，包括再入院。更具体地，我们引入了一种学习架构，它将基于自注意力的循环神经网络计算出的患者数据表示与临床相关特征相融合。我们在一个大型理赔数据集上进行了大量实验，并表明该融合方法优于标准机器学习方法。
引用
@article{arxiv.2104.04377,
title = {Blending Knowledge in Deep Recurrent Networks for Adverse Event Prediction at Hospital Discharge},
author = {Prithwish Chakraborty and James Codella and Piyush Madan and Ying Li and Hu Huang and Yoonyoung Park and Chao Yan and Ziqi Zhang and Cheng Gao and Steve Nyemba and Xu Min and Sanjib Basak and Mohamed Ghalwash and Zach Shahn and Parthasararathy Suryanarayanan and Italo Buleje and Shannon Harrer and Sarah Miller and Amol Rajmane and Colin Walsh and Jonathan Wanderer and Gigi Yuen Reed and Kenney Ng and Daby Sow and Bradley A. Malin},
journal= {arXiv preprint arXiv:2104.04377},
year = {2021}
}
备注
Presented at the AMIA 2021 Virtual Informatics Summit