利用约束非负矩阵分解进行可识别表型分析
机器学习
2016-09-21 v3 机器学习
摘要
本研究提出了一种新算法，利用电子健康记录 (EHRs) 中的临床笔记，对多种共存的医疗状况（也称为合并症）进行自动化且同步的表型分析。该算法在非负矩阵分解 (NMF) 这一基础潜在因子估计技术上，增加了特定领域的约束，以获得锚定于固定慢性病集上的稀疏潜在因子。所提出的锚定机制确保了潜在因子与目标合并症之间具有一一对应的可识别且可解释的映射关系。临床专家对实证结果的定性评估表明，所提出的模型在学习具有临床可解释性的表型的同时，能够预测 30 天死亡率。该方法可轻易适配于各类医疗机构中任何非负的 EHR 数据。
引用
@article{arxiv.1608.00704,
title = {Identifiable Phenotyping using Constrained Non-Negative Matrix Factorization},
author = {Shalmali Joshi and Suriya Gunasekar and David Sontag and Joydeep Ghosh},
journal= {arXiv preprint arXiv:1608.00704},
year = {2016}
}
备注
Presented at 2016 Machine Learning and Healthcare Conference (MLHC 2016), Los Angeles, CA