提高循环神经网络对急性临床事件的响应能力
机器学习
2020-07-30 v1 应用统计
摘要
急性照护环境中的预测模型必须能够在呈现反映患者状态急剧变化的数据时立即识别这些变化。循环神经网络（RNNs）已常用于训练和部署临床决策支持模型。它们经常对急性事件表现出延迟响应。新信息必须经由 RNN 的单元状态记忆传播，其总影响才能反映在模型预测中。本工作提出输入数据持续化作为一种训练和部署 RNN 模型的方法，以使其预测对新获取的信息更具响应性：在训练和部署期间复制输入数据。数据的每次复制都会影响 RNN 的单元状态和输出，但仅保留最后一次复制时的输出并作为预测广播用于评估和部署。当呈现反映急性事件的数据时，以输入持续化训练和部署的模型会以更显著的预测即时变化作出响应，并保持全局稳健性能。此类特性在重症监护病房的预测模型中至关重要。
引用
@article{arxiv.2007.14520,
title = {Improving Recurrent Neural Network Responsiveness to Acute Clinical Events},
author = {David Ledbetter and Eugene Laksana and Melissa Aczon and Randall Wetzel},
journal= {arXiv preprint arXiv:2007.14520},
year = {2020}
}
备注
7 pages, 5 figures, 4 figures, 2 pages of Appendix