基于纵向实验室检查的疾病发作多任务预测
机器学习
2016-09-22 v3
摘要
机器学习的诸多领域已受益于这样的模型：它们能以极少预处理的原始数据作为输入，并学习该原始数据的丰富表示，从而在给定预测任务中表现优异。我们在医疗保健领域评估了该方法，利用实验室检查的纵向测量值（临床数据中广泛可用的、反映患者健康状态的较原始信号之一）来预测疾病发作。具体而言，我们训练了一个 Long Short-Term Memory (LSTM) 循环神经网络和两个新颖的卷积神经网络，基于从 8 年行政理赔数据中提取的 29.8 万名患者队列中随时间测量的 18 项常见实验室检查，对 133 种疾病的发作进行多任务预测。我们将这些神经网络与使用若干人工设计的临床相关特征的逻辑回归进行了比较。我们发现，基于表示的学习方法显著优于该基线。我们相信，我们的工作提示了一条仅基于实验室结果进行患者风险分层的新途径。
引用
@article{arxiv.1608.00647,
title = {Multi-task Prediction of Disease Onsets from Longitudinal Lab Tests},
author = {Narges Razavian and Jake Marcus and David Sontag},
journal= {arXiv preprint arXiv:1608.00647},
year = {2016}
}
备注
Presented at 2016 Machine Learning and Healthcare Conference (MLHC 2016), Los Angeles, CA