基于事件的对比学习用于医学时间序列
机器学习
2024-08-09 v4
摘要
在临床实践中，通常需要识别患者在某些关键医疗事件后是否处于不良结局的高风险中。例如，量化急性心血管事件后不良结局的风险有助于医疗提供者识别那些不良结局风险最高的患者，即那些能从降低风险的侵入性治疗中获益的患者。然而，由于纵向医疗数据的复杂性、变异性和异质性，评估不良结局风险具有挑战性，尤其是对于患有心力衰竭等慢性疾病的个体。在本文中，我们引入了基于事件的对比学习（EBCL）——一种学习异质性患者数据嵌入的方法，该方法保留了关键指标事件前后的时间信息。我们证明，与其他预训练方法相比，EBCL可用于构建在下游任务上性能更优的模型。我们使用从大型医院网络获取的心力衰竭患者队列以及公开的MIMIC-IV数据集（包含大型三级医疗中心重症监护室的患者）来开发和测试该方法。在两个队列中，EBCL预训练产生的模型在多个下游任务（包括死亡率、再入院率和住院时长）上均表现出色。此外，无监督的EBCL嵌入有效地将心力衰竭患者聚类为具有不同结局的亚组，从而提供了有助于识别新心力衰竭表型的信息。围绕指标事件的对比框架可适用于广泛的时间序列数据集，并提供可用于指导个性化护理的信息。
引用
@article{arxiv.2312.10308,
title = {Event-Based Contrastive Learning for Medical Time Series},
author = {Hyewon Jeong and Nassim Oufattole and Matthew Mcdermott and Aparna Balagopalan and Bryan Jangeesingh and Marzyeh Ghassemi and Collin Stultz},
journal= {arXiv preprint arXiv:2312.10308},
year = {2024}
}
备注
Accepted at Unifying Representations in Neural Models Workshop in NeurIPS 2023, MLHC 2024