基于异质事件聚合从临床数据早期预测脓毒症
机器学习
2019-10-16 v1 机器学习
摘要
脓毒症是一种危及生命的病症，严重危害全球数百万人的健康。值得期待的是，随着电子健康记录（EHR）的广泛可用，能够有效处理临床序列数据的预测模型增加了预测脓毒症并采取早期预防治疗的可能性。然而，早期预测具有挑战性，因为 EHR 中患者的序列数据包含多种临床事件的时间交互。并且对于传统 LSTM 而言，在长事件序列中捕捉时间交互是困难的。与直接将 LSTM 模型应用于事件序列不同，我们提出的模型首先聚合短时间内的异质临床事件，然后利用 LSTM 捕捉聚合表示的时间交互。我们提出的异质事件聚合（Heterogeneous Event Aggregation）不仅能缩短临床事件序列的长度，还有助于在聚合表示的多头中保留临床事件的类别型与数值型特征的时间交互。在 PhysioNet/Computing in Cardiology Challenge 2019 中，我们以 PKU_DLIB 团队名义提出的模型高效地在完整测试集上取得了效用分数（0.321）。
引用
@article{arxiv.1910.06792,
title = {Early Prediction of Sepsis From Clinical Datavia Heterogeneous Event Aggregation},
author = {Luchen Liu and Haoxian Wu and Zichang Wang and Zequn Liu and Ming Zhang},
journal= {arXiv preprint arXiv:1910.06792},
year = {2019}
}
备注
4 pages, 2 figures, Accept by CINC 2019