基于深度注意力网络从电子病历中预测高风险血管疾病
机器学习
2017-12-04 v1 机器学习
摘要
预测高风险血管疾病是医学领域的重要问题。大多数预测方法从病理与放射学测量预测患者预后，这些测量费用高昂且需大量时间分析。在此我们提出深度注意力模型，仅从高血压患者的符号化病史序列（如 ICD-10 与药房代码）预测高风险血管疾病的发生，即基于病史的注意力网络预测（MeHPAN）。我们展示了两类注意力模型：1）基于双向门控循环单元（R-MeHPAN）与 2）一维卷积多层模型（C-MeHPAN）。两个 MeHPAN 模型在约 50,000 名高血压患者上就精确率、召回率、F1 值与曲线下面积（AUC）进行了评估。实验结果表明我们的 MeHPAN 方法优于标准分类模型。比较两种 MeHPAN，R-MeHPAN 在所有指标上提供更好的判别能力，而 C-MeHPAN 以具竞争力的精度呈现短得多的训练时间。
引用
@article{arxiv.1712.00010,
title = {Highrisk Prediction from Electronic Medical Records via Deep Attention Networks},
author = {You Jin Kim and Yun-Geun Lee and Jeong Whun Kim and Jin Joo Park and Borim Ryu and Jung-Woo Ha},
journal= {arXiv preprint arXiv:1712.00010},
year = {2017}
}
备注
Accepted poster at NIPS 2017 Workshop on Machine Learning for Health (https://ml4health.github.io/2017/)