用于相关事件时间预测的深度状态空间生成模型
机器学习
2024-07-30 v1
摘要
捕捉多种临床关键事件之间的相互依赖关系，不仅对于准确预测未来事件至关重要，也对于更好的治疗计划有益。在本工作中，我们提出一种深度潜在状态空间生成模型，以显式建模患者潜在状态的时间动态，来捕捉不同类型相关临床事件（如肾衰竭、死亡）之间的相互作用。基于所学习的患者状态，我们进一步开发了一种新的离散时间风险率函数公式，用于估计具有显著提高准确性的患者生存分布。对真实电子医疗记录数据的广泛评估表明，我们的方法在与各种最先进基准方法的比较中表现出色。此外，我们的方法还揭示了关于死亡与不同器官衰竭之间潜在相关性的有意义见解。
引用
@article{arxiv.2407.19371,
title = {Deep State-Space Generative Model For Correlated Time-to-Event Predictions},
author = {Yuan Xue and Denny Zhou and Nan Du and Andrew M. Dai and Zhen Xu and Kun Zhang and Claire Cui},
journal= {arXiv preprint arXiv:2407.19371},
year = {2024}
}
备注
Proceedings of the 26th ACM SIGKDD Conference on Knowledge Discovery and Data Mining