解释用于临床恶化预测的变分时间序列模型中的预测方差
机器学习
2024-02-16 v2
摘要
缺失和测量频率是同一问题的两个方面。我们应该多频繁地测量临床变量并进行实验室检查？这取决于许多因素，例如患者病情的稳定性、诊断过程、治疗方案和测量成本。测量的效用因病而异，因患者而异。在本研究中，我们从预测建模的角度提出了对临床变量测量频率的新视角，即临床变量的测量降低了模型预测中的不确定性。为了实现这一目标，我们提出了结合变分时间序列模型的 variance SHAP，这是 Shapley Additive Expanation(SHAP) 算法在归因认知预测不确定性方面的应用。预测方差通过在变分模型中采样条件隐空间来估计，并可通过 delta 法确定性地近似。该方法适用于变分循环神经网络和变分 Transformer 等变分时间序列模型。由于 SHAP 值具有可加性，二值数据插补掩码的 variance SHAP 可以直接解释为测量对预测方差的贡献。我们在一个公开的 ICU 数据集上针对恶化预测任务测试了我们的想法，并研究了 variance SHAP 与测量时间间隔之间的关系。
引用
@article{arxiv.2402.06808,
title = {Explain Variance of Prediction in Variational Time Series Models for Clinical Deterioration Prediction},
author = {Jiacheng Liu and Jaideep Srivastava},
journal= {arXiv preprint arXiv:2402.06808},
year = {2024}
}