用于电子健康记录建模的神经时序点过程
机器学习
2020-12-08 v2 机器学习
摘要
电子健康记录（EHRs）的建模有潜力推动医疗资源更高效的分配，实现早期干预策略并推进个性化医疗。然而，EHRs 由于其以噪声、多模态数据形式出现且发生于不规则时间间隔，难以建模。为处理其时间特性，我们将 EHRs 视为由时序点过程（TPP）生成的样本，使我们能以原则性方式对事件中发生了什么以及何时发生进行建模。我们收集并提出了 TPP 的神经网络参数化，统称为神经 TPP（Neural TPPs）。我们在合成 EHRs 以及一组既定基准上进行了评估。我们表明 TPPs 在 EHRs 上显著优于其非 TPP 对应方法。我们还表明，许多神经 TPPs 所假设的类分布有条件独立于时间，会降低在 EHRs 上的性能。最后，我们提出的基于注意力的神经 TPP 相较于现有模型表现良好，同时符合现实世界的可解释性要求，这是迈向临床决策支持系统组件的重要一步。
引用
@article{arxiv.2007.13794,
title = {Neural Temporal Point Processes For Modelling Electronic Health Records},
author = {Joseph Enguehard and Dan Busbridge and Adam Bozson and Claire Woodcock and Nils Y. Hammerla},
journal= {arXiv preprint arXiv:2007.13794},
year = {2020}
}
备注
Version accepted to Machine Learning for Health (ML4H) workshop at NeurIPS 2020. 10 pages, 5 figures, 3 tables. Code, pre-trained models and datasets available at https://github.com/babylonhealth/neuralTPPs