深度生存分析
机器学习
2016-09-20 v2 人工智能
统计方法学
摘要
电子健康记录（EHR）为构建支持临床医生在诊疗点进行决策的可操作工具提供了前所未有的机遇。本文研究了 EHR 数据背景下的生存分析问题。我们引入了深度生存分析，这是一种针对生存分析的层次化生成方法。该方法在两个主要方面不同于以往的方法：(1) 所有观测值（包括协变量）均在丰富的潜在结构条件下进行联合建模；(2) 观测值按其失效时间对齐，而非像传统生存分析那样按任意的时间零点对齐。此外，该方法 (3) 能够可扩展地处理 EHR 中出现的异构（连续和离散）数据类型。我们通过根据患冠心病（CHD）的风险对患者进行分层，验证了深度生存分析模型。具体而言，我们研究了一个包含 313,000 名患者、对应 550 万个月观测值的数据集。与经过临床验证的 Framingham CHD 风险评分相比，深度生存分析在根据风险对患者进行分层方面显著更优。
引用
@article{arxiv.1608.02158,
title = {Deep Survival Analysis},
author = {Rajesh Ranganath and Adler Perotte and Noémie Elhadad and David Blei},
journal= {arXiv preprint arXiv:1608.02158},
year = {2016}
}
备注
Presented at 2016 Machine Learning and Healthcare Conference (MLHC 2016), Los Angeles, CA