学习选择临床结局预测的最佳预测任务
机器学习
2024-07-30 v1 人工智能
摘要
我们提出通过元学习构建一个自监督的患者轨迹预测学习规则，方法是在元目标上进行元训练，该元目标直接优化患者表征在后续临床结局预测上的实用性。该元目标直接针对从无标签临床测量预测中生成的表征的有用性。元学习得到的模型可直接用于目标风险预测，有限的可用样本可用于进一步微调模型性能。我们在真实公开的患者 EHR 数据集 MIMIC-III 上测试了该方法的有效性。我们能够证明，基于注意力机制的患者状态表征方法在资源有限的情况下，对于预测目标风险的性能显著优于直接监督学习和使用所有观察轨迹进行的预训练。
引用
@article{arxiv.2407.19359,
title = {Learning to Select the Best Forecasting Tasks for Clinical Outcome Prediction},
author = {Yuan Xue and Nan Du and Anne Mottram and Martin Seneviratne and Andrew M. Dai},
journal= {arXiv preprint arXiv:2407.19359},
year = {2024}
}
备注
NeurIPS 2020