基于异构图嵌入的深度学习用于电子健康记录的死亡率预测
机器学习
2020-12-29 v1
摘要
在重症监护病房环境下对院内死亡率进行计算预测，可帮助临床医生指导护理并及早做出干预决策。由于临床数据在结构与组成上复杂且多样，需要持续创新建模策略以识别能最佳建模结果的架构。在本工作中，我们在电子健康记录数据上训练异构图模型（HGM），并将所得嵌入向量作为附加信息加入卷积神经网络（CNN）模型以预测院内死亡率。我们表明，通过在嵌入中将时间作为向量纳入所提供的附加信息捕捉了医学概念、实验室检验与诊断之间的关系，从而提升了预测性能。我们发现，将 HGM 加入 CNN 模型可使死亡率预测准确率提升至多 4%。该框架可作为未来涉及不同 EHR 数据类型的重要医疗预测任务实验的基础。
引用
@article{arxiv.2012.14065,
title = {Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records},
author = {Tingyi Wanyan and Hossein Honarvar and Ariful Azad and Ying Ding and Benjamin S. Glicksberg},
journal= {arXiv preprint arXiv:2012.14065},
year = {2020}
}