在医疗预测模型中利用患者相似性与时间序列数据
人工智能
2017-05-02 v3 机器学习
摘要
患者时间序列分类面临高维度和缺失性的挑战。基于患者相似性理论，本研究探索了有效的时序特征工程与降维、缺失值插补以及变点检测方法，这些方法能为基于相似性的分类模型带来理想的准确率提升。我们选择了一种分段聚合近似方法来提取细粒度时序特征，并提出了一种极简方法来插补时序特征中的缺失值。对于降维，我们采用梯度下降搜索方法进行特征权重分配。我们基于医学知识或临床指南中关于不同患者状态水平的取值范围，提出了新的患者状态和方向性变化定义，并开发了一种检测指示患者状态积极或消极变化的变点的方法。我们在早期重症监护室（ICU）死亡率预测的背景下评估了所提方法的有效性。评估结果表明，结合我们所选和提出的方法的 k-最近邻算法在早期 ICU 死亡率预测中显著优于相关基准。本研究通过识别和改进基于相似性的时间序列分类的时序特征工程与降维方法，为时间序列分类和早期 ICU 死亡率预测做出了贡献。
引用
@article{arxiv.1704.07498,
title = {Leveraging Patient Similarity and Time Series Data in Healthcare Predictive Models},
author = {Mohammad Amin Morid and Olivia R. Liu Sheng and Samir Abdelrahman},
journal= {arXiv preprint arXiv:1704.07498},
year = {2017}
}
备注
To appear:Twenty-third Americas Conference on Information Systems, Boston, 2017