基于表型的患者相似性学习提升疾病进展预测模型的解释性与准确性
应用统计
2019-09-27 v1 信息检索
机器学习
摘要
已有模型被提出用于从纵向电子健康记录（EHR）中提取时间模式以构建临床预测模型。然而，患者间的常见关联（例如接受相同医疗处理）很少被考虑。本文中，我们提出利用非负矩阵分解从聚合的患者-医疗服务矩阵中学习作为表型的患者相似性特征。在真实世界医疗理赔数据上，我们表明所学表型在各组内部一致，且对目标疾病具有解释性与指示性。我们进行了预测慢性淋巴细胞白血病（CLL）患者诊断的实验。结果显示，基于表型的相似性特征可改善相对于多种基线（包括逻辑回归、随机森林、卷积神经网络等）的预测。
引用
@article{arxiv.1909.11913,
title = {Enhancing Model Interpretability and Accuracy for Disease Progression Prediction via Phenotype-Based Patient Similarity Learning},
author = {Yue Wang and Tong Wu and Yunlong Wang and Gao Wang},
journal= {arXiv preprint arXiv:1909.11913},
year = {2019}
}
备注
12 pages, accepted by Pacific Symposium on Biocomputing (PSB) 2020