变化至关重要:基于循环残差网络的用药变更预测
机器学习
2021-05-06 v1 人工智能
摘要
深度学习正在革新预测性医疗,包括向具有复杂健康状况的患者推荐药物。现有方法侧重于预测当前就诊的所有用药,这常与既往就诊用药重叠。一个更具临床相关性的任务是识别用药变更。在本文中,我们提出一种名为 MICRON 的新型循环残差网络,用于用药变更预测。MICRON 以患者健康记录中的变更作为输入,并通过重构设计循环地学习更新隐藏用药向量和用药集合。该用药向量如同记忆单元,编码用药的纵向信息。不同于需要完整患者历史进行预测的传统方法,MICRON 具有基于残差的推断,允许仅基于新的患者特征(如最近就诊中的新诊断)进行更高效的顺序更新。我们在真实住院和门诊数据集上评估了 MICRON。MICRON 在 F1 分数上分别比最佳基线取得 3.5% 和 7.8% 的相对提升。MICRON 还需要更少的参数,将每轮训练时间显著减少至 38.3 秒,实现了 1.5 倍的加速。
引用
@article{arxiv.2105.01876,
title = {Change Matters: Medication Change Prediction with Recurrent Residual Networks},
author = {Chaoqi Yang and Cao Xiao and Lucas Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2105.01876},
year = {2021}
}
备注
Accepted in IJCAI'21, this is the long version with appendix