Clairvoyance：面向医疗时间序列的流水线工具包
机器学习
2023-10-31 v1
摘要
时间序列学习是数据驱动的临床决策支持的基石，近期机器学习（ML）研究的爆发已在多种医疗场景中展现出巨大潜力。与此同时，现实中的医疗时间序列问题因其高度复合的特性而颇具挑战：它们需要在预处理数据、填补缺失值、特征选择、发出预测、估计不确定性和解释模型等组件之间做出设计选择并应对其交互。尽管电子病历数据呈指数级增长，ML 用于临床研究与决策支持的潜力与现实应用之间仍存在显著差距。具体而言，编排真实世界项目生命周期在工程（即难以构建）、评估（即难以评判）和效率（即难以优化）方面带来挑战。Clairvoyance 旨在同时解决这些问题，提出了统一的、端到端的、对自动机器学习（autoML）友好的流水线，充当（i）软件工具包、（ii）实证标准和（iii）优化接口。我们的最终目标在于促进对复杂推断工作流透明且可复现的实验，为（1）个性化预测、（2）治疗效果估计和（3）信息获取提供集成化路径。通过在门诊、普通病房和重症监护场景真实数据上的示例，我们阐释了该流水线范式在医疗流程核心任务中的适用性。据我们所知，Clairvoyance 首个展示了用于临床时间序列 ML 的综合且可自动化流水线的可行性。
引用
@article{arxiv.2310.18688,
title = {Clairvoyance: A Pipeline Toolkit for Medical Time Series},
author = {Daniel Jarrett and Jinsung Yoon and Ioana Bica and Zhaozhi Qian and Ari Ercole and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2310.18688},
year = {2023}
}