基于复合密度网络利用电子健康记录进行风险预测
机器学习
2022-10-25 v3
摘要
电子健康记录（EHRs）因患者状况和治疗需求的差异而表现出大量缺失数据。缺失值插补已被视为应对该挑战的有效方法。现有工作将插补方法与预测模型作为基于 EHR 的机器学习系统的两个独立部分。我们提出一种集成端到端方法，利用复合密度网络（CDNet）使插补方法与预测模型在单一框架内共同调优。CDNet 由门控循环单元（GRU）、混合密度网络（MDN）和正则化注意力网络（RAN）组成。GRU 用作潜变量模型以建模 EHR 数据。MDN 设计用于采样由 GRU 生成的潜变量。RAN 作为对可靠性较低插补值的正则化器。CDNet 的架构使 GRU 与 MDN 能够迭代地利用彼此输出以插补缺失值，从而实现更准确稳健的预测。我们在 MIMIC-III 数据集的死亡率预测任务上验证 CDNet。我们的模型以显著优势优于最先进（state-of-the-art）模型。我们还经实验表明，对插补值进行正则化是优越预测性能的关键因素。预测不确定性分析显示，我们的模型能捕捉偶然与认知两类不确定性，为模型使用者提供对模型结果的更好理解。
引用
@article{arxiv.2208.01320,
title = {Compound Density Networks for Risk Prediction using Electronic Health Records},
author = {Yuxi Liu and Shaowen Qin and Zhenhao Zhang and Wei Shao},
journal= {arXiv preprint arXiv:2208.01320},
year = {2022}
}
备注
8 pages, 6 figures, accepted at IEEE BIBM 2022