用于患者表示的深度范数嵌入
机器学习
2022-07-05 v2 人工智能
定量方法
摘要
我们提出了一种新颖的对比表示学习目标和一种针对临床时间序列的训练方案。具体而言，我们将高维电子健康记录（EHR）数据投影到低维闭单位球上，编码几何先验，使得原点代表理想化的完美健康状态，且欧氏范数与患者的死亡风险相关联。此外，以脓毒症患者为例，我们展示了如何学习将两个向量之间的角度与不同的器官系统衰竭相关联，从而学习到一个紧凑的表示，该表示同时指示死亡风险和特定器官衰竭。我们展示了所学习的嵌入如何用于在线患者监测，如何辅助临床医生并改善下游机器学习任务的性能。这项工作的部分动机源于引入一种系统性定义重症监护医学中强化学习中间奖励的需求。因此，我们还展示了与仅使用终止奖励相比，这种基于所学嵌入的设计如何导致质上不同的策略和价值分布。
引用
@article{arxiv.2204.05477,
title = {Deep Normed Embeddings for Patient Representation},
author = {Thesath Nanayakkara and Gilles Clermont and Christopher James Langmead and David Swigon},
journal= {arXiv preprint arXiv:2204.05477},
year = {2022}
}
备注
A minimal implementation of this work can be found at https://github.com/thxsxth/normed_constrastive_metric