基于对比学习的插补-预测网络用于电子健康档案的院内死亡风险建模
机器学习
2023-08-22 v1
摘要
从电子健康档案（EHRs）预测院内死亡风险已受到相当关注。此类预测可向医疗专业人员提供患者健康状况的早期预警，以便及时干预。该预测任务具有挑战性，因为 EHR 数据本质不规则，不仅存在大量缺失值，且医疗记录间的时间间隔各异。现有方法聚焦于利用患者医疗记录中的变量相关性插补缺失值，并建立时间衰减机制应对此种不规则性。本文提出一种新颖的基于对比学习的插补-预测网络，利用 EHR 数据预测院内死亡风险。我们的方法在插补过程中引入基于图分析的患者分层建模以分组相似患者。这使得除个人上下文信息外，仅使用相似患者的信息来进行缺失值插补。此外，我们的方法能将对比学习整合进所提网络架构，以增强患者表征学习及分类任务上的预测性能。在两个真实世界 EHR 数据集上的实验表明，我们的方法在插补与预测任务上均优于最先进的方法。
引用
@article{arxiv.2308.09896,
title = {Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs},
author = {Yuxi Liu and Zhenhao Zhang and Shaowen Qin and Flora D. Salim and Antonio Jimeno Yepes},
journal= {arXiv preprint arXiv:2308.09896},
year = {2023}
}
备注
15 pages, 2 figures, accepted at ECML PKDD 2023