学习缺失数据表示以预测患者结局
机器学习
2018-11-13 v1 机器学习
摘要
从电子健康记录（EHRs）中提取可操作的洞察对传统机器学习方法提出了若干挑战。患者之间常存在数据缺失；数据以多种模态呈现，例如多元时间序列、自由文本与分类人口统计信息；患者之间的重要关系难以检测；以及其他诸多问题。在本工作中，我们提出一种基于消息传递的表示学习方案来应对前三项挑战的新方法。我们表明，我们所提方法在预测院内死亡率（二分类）、住院时长（回归）与出院去向（多分类）方面具有竞争力或优于最先进水平。
引用
@article{arxiv.1811.04752,
title = {Learning Representations of Missing Data for Predicting Patient Outcomes},
author = {Brandon Malone and Alberto Garcia-Duran and Mathias Niepert},
journal= {arXiv preprint arXiv:1811.04752},
year = {2018}
}