从临床判断中学习：用于风险预后的半马尔可夫调制标记霍克斯过程
机器学习
2017-05-16 v1
摘要
普通病房中的危重患者易发生意外的不良事件，需要及时转入重症监护室（ICU）。为了对病情恶化的患者进行准确预后，我们为受监测患者的生理数据时间序列开发了一种新颖的连续时间概率模型。我们的模型捕捉“信息性采样”的患者片段：临床医生随时间观察住院患者生命体征和实验室检测的决策由标记霍克斯过程表示，其强度参数由患者的潜在临床状态调制，且可观测的生理数据（标记过程）建模为切换多任务高斯过程。此外，我们的模型通过将患者的潜在临床状态表示为吸收半马尔可夫跳跃过程来捕捉“信息性删失”的患者片段。模型参数通过基于EM的算法从电子健康记录中的离线患者片段学习得到。在一家大型医疗中心3年间收治的患者队列上进行的实验表明，基于我们模型的风险预后显著优于当前部署的医疗风险评分和其他基线机器学习算法。
引用
@article{arxiv.1705.05267,
title = {Learning from Clinical Judgments: Semi-Markov-Modulated Marked Hawkes Processes for Risk Prognosis},
author = {Ahmed M. Alaa and Scott Hu and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1705.05267},
year = {2017}
}