缺失即稳定性：理解纵向电子健康记录数据中缺失的结构及其对医疗强化学习的影响
机器学习
2019-11-19 v1 人工智能
机器学习
摘要
医疗强化学习文献中出现了一种趋势。为了将纵向、不规则采样的临床数据集用于强化学习算法，许多研究者将时间序列数据重采样为短而规则的间隔，并使用末次观测值结转（LOCF）插补来填补这些间隙。通常，他们不会保留任何关于哪些值被插补的显式信息。在这项工作中，我们（1）提请注意这一做法并讨论其潜在影响；（2）提出一种解决其中部分问题的患者状态替代表示；（3）在一个新颖但具代表性的临床数据集中证明，与未纳入缺失信息的表示相比，我们的替代表示在通过离策略策略评估测得的最优控制方面取得了一致更好的结果。
引用
@article{arxiv.1911.07084,
title = {Missingness as Stability: Understanding the Structure of Missingness in Longitudinal EHR data and its Impact on Reinforcement Learning in Healthcare},
author = {Scott L. Fleming and Kuhan Jeyapragasan and Tony Duan and Daisy Ding and Saurabh Gombar and Nigam Shah and Emma Brunskill},
journal= {arXiv preprint arXiv:1911.07084},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract