面向临床终点预测的异质时序事件联合表示学习
人工智能
2018-11-20 v4 机器学习
机器学习
摘要
大量电子健康记录（EHR）的可用为通过挖掘这些数据来改善医疗服务提供了巨大机遇。一个重要应用是临床终点预测，旨在根据患者的历史记录预测未来是否会发生某种疾病、症状或异常实验室检查。本文开发了用于临床终点预测的深度学习技术，这些技术在许多实际应用中是有效的。然而，该问题非常具有挑战性，因为患者的历史记录包含多种异质时序事件，如实验室检查、诊断和药物给药。不同类型事件的就诊模式差异显著，且不同事件之间存在复杂的非线性关系。在本文中，我们提出了一种用于学习异质时序事件联合表示的新模型。该模型增加了一个新的门控来控制不同事件的就诊频率，有效建模了不同事件的不规则模式及其非线性相关性。在真实世界临床数据上针对死亡预测和异常实验室检查任务的实验结果证明了我们所提方法相对于竞争基线的有效性。
引用
@article{arxiv.1803.04837,
title = {Learning the Joint Representation of Heterogeneous Temporal Events for Clinical Endpoint Prediction},
author = {Luchen Liu and Jianhao Shen and Ming Zhang and Zichang Wang and Jian Tang},
journal= {arXiv preprint arXiv:1803.04837},
year = {2018}
}
备注
8 pages, this paper has been accepted by AAAI 2018