ICE-NODE：临床嵌入与神经常微分方程的融合
机器学习
2022-08-02 v3
摘要
疾病的早期诊断是改善健康结果（包括更高存活率与更低治疗成本）的途径之一。电子健康记录（EHRs）中包含海量信息，利用机器学习（ML）方法对疾病进展建模以早期预测疾病发生及其他结果具有巨大潜力。本文中，我们结合神经ODE近期进展与临床代码的丰富语义嵌入，以充分利用EHRs的完整时间信息。我们提出ICE-NODE（Integration of Clinical Embeddings with Neural Ordinary Differential Equations，临床嵌入与神经常微分方程的融合），一种将临床代码嵌入与神经ODE进行时间整合以学习并预测EHRs中患者轨迹的架构。我们将该方法应用于公开可用的MIMIC-III与MIMIC-IV数据集，发现相较于前沿方法，尤其在EHRs中较少出现的临床代码上，预测结果有所提升。我们还表明，ICE-NODE在预测某些医疗状况（如急性肾衰竭、肺性心脏病与出生相关问题）时更具能力，其中完整时间信息可提供重要信息。此外，ICE-NODE还能生成随时间变化的患者风险轨迹，可用于对疾病演变的进一步详细预测。
引用
@article{arxiv.2207.01873,
title = {ICE-NODE: Integration of Clinical Embeddings with Neural Ordinary Differential Equations},
author = {Asem Alaa and Erik Mayer and Mauricio Barahona},
journal= {arXiv preprint arXiv:2207.01873},
year = {2022}
}
备注
Accepted at Machine Learning for Healthcare 2022