通过同步通用患者状态表示学习改进低先验临床事件的预测
机器学习
2021-06-29 v1 人工智能
摘要
低先验目标在许多重要临床事件中很常见，这带来了缺乏足够数据以支持其预测模型学习的挑战。许多先前工作通过首先构建通用患者状态表示模型，然后将其适配到新的低先验预测目标来解决此问题。在该范式下，通用患者状态模型与目标任务之间的错位可能阻碍预测性能。为克服这一挑战，我们提出一种新方法，通过低先验有监督目标与通用目的患者状态表示（GPSR）的多任务学习同时优化一个共享模型。更具体地，我们的方法通过联合优化一个结合目标事件损失与广泛通用临床事件损失的共享模型，来改善低先验任务的预测性能。我们在循环神经网络（RNNs）背景下研究该方法。通过使用MIMIC-III数据对多个临床事件目标进行大量实验，我们表明在模型训练期间纳入通用患者状态表示任务可改善对单个低先验目标的预测。
引用
@article{arxiv.2106.14838,
title = {Improving Prediction of Low-Prior Clinical Events with Simultaneous General Patient-State Representation Learning},
author = {Matthew Barren and Milos Hauskrecht},
journal= {arXiv preprint arXiv:2106.14838},
year = {2021}
}
备注
Accepted at 19th International Conference on Artificial Intelligence in Medicine (AIME 2021)