利用卷积神经网络从患者多变量时间序列数据中学习隐藏模式：以医疗成本预测为例
机器学习
2020-09-16 v1
摘要
目的：利用卷积神经网络（CNN）架构，从患者保险理赔的多变量时间序列数据中自动学习隐藏的时间模式，从而开发一种有效且可扩展的个体层面患者成本预测方法。方法：我们使用了某医疗保险公司2013年至2016年三年的医疗与药房理赔数据，其中前两年的数据用于构建模型以预测第三年的成本。数据由成本、就诊和医疗特征的多变量时间序列组成，这些序列被塑造成患者健康状态的图像（即一个维度为时间窗、另一维度为医疗、就诊和成本特征的矩阵）。将患者的多变量时间序列图像输入到所提出的CNN方法中。经过超参数调优，所提架构由三个卷积与池化层模块组成，每层采用LReLU激活函数以及针对医疗数据定制的核大小。所提CNN学习到的时间模式成为全连接层的输入。结论：通过所提CNN配置进行特征学习显著改善了个体层面的医疗成本预测。所提CNN能够胜过那些寻找预定义模式形状集合的时间模式检测方法，因为它能够提取数量可变、形状各异的模式。从医疗、就诊和成本数据中学习到的时间模式对预测性能有显著贡献。超参数调优表明，考虑三个月的数据模式具有最高的预测精度。我们的结果表明，从多变量时间序列数据中提取的患者图像不同于常规图像，因此需要独特的CNN架构设计。
引用
@article{arxiv.2009.06783,
title = {Learning Hidden Patterns from Patient Multivariate Time Series Data Using Convolutional Neural Networks: A Case Study of Healthcare Cost Prediction},
author = {Mohammad Amin Morid and Olivia R. Liu Sheng and Kensaku Kawamoto and Samir Abdelrahman},
journal= {arXiv preprint arXiv:2009.06783},
year = {2020}
}