通过限制特征交互建模电子健康记录时间序列
机器学习
2019-11-18 v1 计算机与社会
机器学习
摘要
时间序列数据在电子健康记录中十分普遍，大多以生命体征和实验室检查等生理参数的形式出现。这些数值的模式可能是患者临床状态的重要指示，并且可能存在临床医生未知但对某些结局具有高度预测性的模式。这些数值中许多也存在缺失，这使得应用决策树等现有方法变得困难。我们提出一种循环神经网络模型，通过限制特征之间的交互来减少对噪声观测的过拟合。我们在重症监护医学信息集市 III (MIMIC-III) 数据集上分析了其在死亡率、ICD-9 和 AKI 预测中的表现。与现有的最先进的插值、嵌入和基于衰减的循环模型相比，我们的模型在 MetaVision 子集下的死亡率预测 AU-ROC 上提升了 1.1% [p<0.01]，在全量 MIMIC-III 数据集下分别使死亡率和 AKI 提升了 1.0% 和 2.2% [p<0.01]。
引用
@article{arxiv.1911.06410,
title = {Modelling EHR timeseries by restricting feature interaction},
author = {Kun Zhang and Yuan Xue and Gerardo Flores and Alvin Rajkomar and Claire Cui and Andrew M. Dai},
journal= {arXiv preprint arXiv:1911.06410},
year = {2019}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2019 - Extended Abstract