使用连续时间隐马尔可夫模型对纵向电子健康记录数据中的疾病进展建模
机器学习
2018-12-04 v1 种群与进化
机器学习
摘要
在医疗管理数据库中建模疾病进展的复杂性在于，患者仅在寻求医疗服务的不规则间隔时被观察到。在一个包含 76,888 名慢性阻塞性肺疾病（COPD）患者的纵向队列中，我们使用带有广义线性模型的连续时间隐马尔可夫模型对医疗利用事件进行建模。我们发现拟合模型提供了适于总结和假设生成的可解释结果。
引用
@article{arxiv.1812.00528,
title = {Modeling disease progression in longitudinal EHR data using continuous-time hidden Markov models},
author = {Aman Verma and Guido Powell and Yu Luo and David Stephens and David L. Buckeridge},
journal= {arXiv preprint arXiv:1812.00528},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216