Inpatient2Vec：面向住院患者的医学表示学习
机器学习
2019-10-15 v2 机器学习
摘要
表示学习（RL）在从复杂医学数据中提取适当表示以用于各种分析任务（如患者分组、临床终点预测和用药推荐）方面发挥着重要作用。医学数据可分为门诊和住院两类典型数据，它们具有不同的数据特征。然而，现有RL方法很少专门针对具有强时间关联和一致诊断特征的住院数据设计。此外，对于无序的医学活动集合，现有医学RL方法采用简单的池化策略，这将导致各活动在学习中的贡献难以区分。在这项工作中，我们提出Inpatient2Vec，一种用于学习住院患者三类表示（包括医学活动、住院日和诊断）的新模型。我们设计了一个带有两个训练任务的多层自注意力机制，以捕捉住院数据特征并处理无序集合。使用真实世界数据集，我们证明了所提方法在语义相似度度量和临床事件预测任务上优于具有竞争力的基线。
引用
@article{arxiv.1904.08558,
title = {Inpatient2Vec: Medical Representation Learning for Inpatients},
author = {Ying Wang and Xiao Xu and Tao Jin and Xiang Li and Guotong Xie and Jianmin Wang},
journal= {arXiv preprint arXiv:1904.08558},
year = {2019}
}