无需变量筛选或清洗的灵活、时间敏感 EHR 预测的新型聚合方法之影响
机器学习
2019-09-20 v1 机器学习
摘要
在重症监护室 (ICU) 中，对患者状态的动态评估（例如通过自动化、持续更新的结局评估）对于早期预警、决策支持和资源分配至关重要。提取和清洗专家选定的临床变量会丢弃信息，并延长将机器学习引入医学的协作努力。我们提出了一种改进的聚合方法，用于灵活的深度学习架构，该架构学习患者图表、实验室和输出事件的联合表示。我们的模型通过对所有事件进行嵌入和聚合，无需任何预处理或变量选择，在利用 ICU 时间序列进行患者死亡率分类方面优于近期的深度学习模型。我们的模型在 MIMIC-III 数据集上，通过每小时 softmax 聚合，以可解释的方式使用 13,233 个独特的未经预处理变量，在 48 小时时取得了 0.87 的 AUROC 强性能。这展示了我们的方法如何能轻松地与现有电子健康档案系统结合，用于自动化、动态的患者风险分析。
引用
@article{arxiv.1909.08981,
title = {Impact of novel aggregation methods for flexible, time-sensitive EHR prediction without variable selection or cleaning},
author = {Jacob Deasy and Ari Ercole and Pietro Liò},
journal= {arXiv preprint arXiv:1909.08981},
year = {2019}
}
备注
5 pages, 3 tables, 1 figure, preprint under review at the Machine Learning for Health workshop at NeurIPS 2019