利用具有大量缺失值的患者旅程数据进行健康风险预测的卷积与循环神经网络集成方法
机器学习
2022-11-15 v2
摘要
利用电子健康记录（EHR）预测患者的健康风险近年来引起了相当多的关注，尤其是随着深度学习技术的发展。健康风险指特定患者发生特定健康结果的概率。预测的风险可用于支持医疗专业人员的决策。EHR 是结构化的患者旅程数据。每个患者旅程包含一组按时间排序的临床事件，而在每个临床事件内，有一组临床/医疗活动。由于患者状况与治疗需求的差异，EHR 患者旅程数据具有固有的高度缺失性，其中包含影响变量间关系（包括时间）的重要信息。现有的基于深度学习的模型在学习关系时为缺失值生成插补值。然而，EHR 患者旅程数据中的插补数据可能扭曲原始 EHR 患者旅程数据的临床含义，导致分类偏差。本文提出一种新颖的端到端方法，利用卷积与循环神经网络集成来建模 EHR 患者旅程数据。我们的模型能够捕捉每个患者旅程内长期与短期的时间模式，并在无任何插补数据生成的情况下有效处理 EHR 数据中的高度缺失性。在两个真实世界数据集上使用所提模型的广泛实验结果表明，与现有最先进的基于插补的预测方法相比，具有鲁棒的性能以及更优的预测精度。
引用
@article{arxiv.2211.06045,
title = {Integrated Convolutional and Recurrent Neural Networks for Health Risk Prediction using Patient Journey Data with Many Missing Values},
author = {Yuxi Liu and Shaowen Qin and Antonio Jimeno Yepes and Wei Shao and Zhenhao Zhang and Flora D. Salim},
journal= {arXiv preprint arXiv:2211.06045},
year = {2022}
}
备注
6 pages, 2 figures, accepted at IEEE BIBM 2022