GRU-TV：面向多变量临床时间序列数据患者表征的时空感知门控循环单元
机器学习
2022-10-14 v2 人工智能
摘要
电子健康记录(EHRs)通常具有高维、异构和多模态的特点。此外，临床变量的随机记录导致从EHRs提取的多变量临床时间序列数据中存在高缺失率和相邻记录间不均匀的时间间隔。当前利用临床时间序列数据进行患者表征的工作将患者生理状态视为由零星收集记录所描述的离散过程。然而，患者生理状况的变化是连续且动态的过程。对变化时间和变化速率的感知对于患者表征学习至关重要。在本研究中，我们提出一种时间和速率感知的门控循环单元模型(GRU-TV)，以时间连续的方式对临床多变量时间序列数据进行患者表征学习。分别应用神经常微分方程(ODEs)和速率感知机制来感知相邻记录间的时间间隔和患者生理状态的变化率。我们在两个真实临床EHR数据集(PhysioNet2012、MIMIC-III)上的实验表明，GRU-TV在计算机辅助诊断(CAD)任务上是一种鲁棒模型，尤其在具有高方差时间间隔的序列上。
引用
@article{arxiv.2205.04892,
title = {GRU-TV: Time- and velocity-aware GRU for patient representation on multivariate clinical time-series data},
author = {Ningtao Liu and Ruoxi Gao and Jing Yuan and Calire Park and Shuwei Xing and Shuiping Gou},
journal= {arXiv preprint arXiv:2205.04892},
year = {2022}
}