用于联合预测与解释的基于特征与相似度的混合模型
人工智能
2023-02-14 v2
摘要
电子健康记录（EHRs）包含如患者年龄等简单特征，以及如诊疗史等更具复杂性、信息丰富但难以表示为独立特征的数据。为更好利用此类数据，我们开发了一种可解释的、基于特征与相似度的混合监督学习模型，其结合特征与核学习以进行预测及因果关系探究。我们通过带核上诱导稀疏惩罚的凸优化拟合混合模型。依据所需的模型解释，特征与核系数可顺序或同时学习。在模拟研究及一项使用来自复杂初级保健人群的 EHR 数据预测两年孤独或社会隔离风险的案例研究中，混合模型表现出与纯特征或纯相似度方法相当或更优的预测性能。利用案例研究，我们还提出了基于偏离群体水平期望的高维指示编码 EHR 数据新核，并指出了因果解释需考虑的问题。
引用
@article{arxiv.2204.06076,
title = {Hybrid Feature- and Similarity-Based Models for Joint Prediction and Interpretation},
author = {Jacqueline K. Kueper and Jennifer Rayner and Daniel J. Lizotte},
journal= {arXiv preprint arXiv:2204.06076},
year = {2023}
}