利用非负矩阵分解从电子健康记录中学习多重共病模式
机器学习
2019-11-19 v2 机器学习
摘要
多重共病，即同一主体患有多种疾病，在人群中无论绝对还是相对意义上均呈上升趋势。然而，多重共病仍知之甚少，现有研究在描述其负担、决定因素和后果方面的证据有限。先前试图理解多重共病模式的研究通常是横断面的，且未明确考虑多重共病模式随时间的演变；其中一些基于小数据集和/或使用任意且狭窄的年龄范围；而那些采用先进模型的，通常缺乏适当的基准测试和验证。在本研究中，我们 (1) 引入一种使用非负矩阵分解 (NMF) 进行时间表型分析的新方法（即同时挖掘疾病簇及其轨迹）；(2) 提供用于评估此类研究中疾病簇的定量指标；以及 (3) 展示我们模型所得疾病簇的时间特征如何帮助挖掘多重共病网络并生成关于各种多重共病模式随时间涌现的新假设。我们在全球最大的电子健康记录 (EHR) 之一（含 700 万患者，其中逾 200 万与本研相关）上训练和评估了我们的模型。
引用
@article{arxiv.1907.08577,
title = {Learning Multimorbidity Patterns from Electronic Health Records Using Non-negative Matrix Factorisation},
author = {Abdelaali Hassaine and Dexter Canoy and Jose Roberto Ayala Solares and Yajie Zhu and Shishir Rao and Yikuan Li and Mariagrazia Zottoli and Kazem Rahimi and Gholamreza Salimi-Khorshidi},
journal= {arXiv preprint arXiv:1907.08577},
year = {2019}
}