利用 enriched Dirichlet过程混合模型的预测在电子健康记录中进行结局识别
统计方法学
2018-06-08 v1
摘要
我们提出了一种新颖的半参数模型，利用enriched Dirichlet过程（EDP）先验对连续纵向结局与基线协变量的联合分布建模。该联合模型分解为给定协变量下结局的线性混合模型以及协变量的边际分布。非参数的EDP先验置于回归与样条系数、误差方差以及支配预测空间参数之上。我们对在其他时间点有数据的受试者以及仅有基线协变量的新受试者，预测其在未观测时间点的结局。当协变量数量众多时，我们发现相比采用Dirichlet过程（DP）先验的混合模型，预测有所改善。我们的方法以第二代抗精神病药物起始者（已知会增加糖尿病风险）的电子健康记录进行演示。我们利用模型预测每个人的糖尿病指示实验室值，并基于预测数据集评估疑似糖尿病的发病率。我们的模型亦作为一种函数聚类算法，将受试者按随时间相似的结局纵向轨迹聚类为若干组。
引用
@article{arxiv.1806.02411,
title = {Outcome identification in electronic health records using predictions from an enriched Dirichlet process mixture},
author = {Bret Zeldow and James Flory and Alisa Stephens-Shields and Marsha Raebel and Jason Roy},
journal= {arXiv preprint arXiv:1806.02411},
year = {2018}
}