DeepJoint:临床存在偏移下鲁棒的生存建模
机器学习
2022-05-27 v1
摘要
医学中的观测数据源于患者与医疗系统之间复杂交互的结果。采样过程常高度不规则,其本身即构成一个信息性过程。当使用此类数据开发预测模型时,该现象常被忽略,导致模型在实践中演化时性能与泛化性欠佳。我们提出一种多任务循环神经网络,其将三个临床存在维度——即纵向过程、观测间过程与缺失过程——与生存结局并行建模。在使用 MIMIC III 实验室检验的预测任务中,对这三个过程的显式建模相较于最先进预测模型表现出更优性能(1 天视野下 C-index:0.878)。更重要的是,所提方法对临床存在设置的变化更为鲁棒,这通过工作日与周末入院患者间的性能比较得以证明。该分析表明研究并利用临床存在以提升性能、构建更具可迁移性的临床模型的重要性。
引用
@article{arxiv.2205.13481,
title = {DeepJoint: Robust Survival Modelling Under Clinical Presence Shift},
author = {Vincent Jeanselme and Glen Martin and Niels Peek and Matthew Sperrin and Brian Tom and Jessica Barrett},
journal= {arXiv preprint arXiv:2205.13481},
year = {2022}
}