基于多源数据的深度序列模型预测自杀意念
机器学习
2019-11-12 v1 机器学习
摘要
本文提出一种利用深度序列模型从电子健康记录（EHR）与生态瞬时评估（EMA）数据预测自杀意念的新方法。EHR 纵向数据与 EMA 问卷表单均由异步、变长、随机采样的数据序列定义。在我们的方法中，我们分别用循环神经网络（RNN）对二者建模，并通过使用时间标记拼接各自隐藏态来对齐这两个序列。此外，我们引入注意力机制以提升长序列性能，并采用时间无关的预训练方案以应对极短序列。使用包含 1023 名患者的数据库，实验结果表明加入 EMA 记录将预测自杀意念诊断的系统召回率从仅基于 EHR 的先进方法的 48.13% 提升至 67.78%。此外，我们的方法通过隐空间的 t-SNE 表示提供可解释性。进而，最具相关性的输入特征被识别并从医学角度加以解释。
引用
@article{arxiv.1911.03522,
title = {Deep Sequential Models for Suicidal Ideation from Multiple Source Data},
author = {Ignacio Peis and Pablo M. Olmos and Constanza Vera-Varela and María Luisa Barrigón and Philippe Courtet and Enrique Baca-García and Antonio Artés-Rodríguez},
journal= {arXiv preprint arXiv:1911.03522},
year = {2019}
}
备注
Accepted for publication in IEEE Journal of Biomedical and Health Informatics (JBHI)