患者的分布式表示及其在医疗成本预测中的应用
机器学习
2019-09-17 v1 人工智能
摘要
在医疗健康领域，高效的患者表示非常重要，并有助于诸多任务，如医疗风险预测。许多现有方法（如诊断成本分组（DCG））依赖专家知识从医疗数据中构建患者表示，这耗费资源且不可扩展。无监督机器学习算法是自动化表示学习过程的良好选择。然而，聚焦于直接从医疗理赔数据中进行患者级表示学习的研究极少。本文中，我们提出了一种新颖的患者向量学习架构，可从理赔数据中学习高质量、固定长度的患者表示。我们进行了若干实验以测试所学表示的质量，实证结果表明我们所学习的患者向量优于通过其他方法（包括一个流行的商业模型）学习的向量。最后，我们给出了在预测任务中使用我们所提表示潜在的临床解释，因为可解释性在医疗健康领域至关重要。
引用
@article{arxiv.1909.07157,
title = {Distributed representation of patients and its use for medical cost prediction},
author = {Xianlong Zeng and Soheil Moosavinasab and En-Ju D Lin and Simon Lin and Razvan Bunescu and Chang Liu},
journal= {arXiv preprint arXiv:1909.07157},
year = {2019}
}