基于互校正过程判别学习的患者流转预测
机器学习
2016-11-11 v3
摘要
在过去的十年中，美国护理单元 (CU) 的使用率持续上升。随着人口老龄化和医疗需求不断增长，有效管理患者在不同护理机构间的转介，对于缩短住院时间、改善患者预后、分配重症监护资源以及减少可预防的再入院将不可或缺。在本文中，我们关注一个从纵向电子健康记录 (EHR) 预测所谓“患者流转”的重要问题，该问题尚未被现有机器学习技术探索。通过将一系列转移事件视为点过程，我们开发了一种新颖框架，用于建模患者通过各种CU的流转，并联合预测患者的目标CU和停留天数。我们未通过最大似然估计学习生成式点过程模型，而是提出一种新颖的判别学习算法，旨在改进稀疏数据情况下转移事件的预测。通过将所提模型参数化为互校正过程，我们通过广义线性模型表述估计问题，这便于基于交替方向乘子法 (ADMM) 的高效学习。此外，我们通过向ADMM算法添加组套索 (group-lasso) 正则化器实现了特征选择与学习的同步。另外，为抑制数据不平衡对模型学习的负面影响，我们为样本极少的类别合成辅助训练数据，并相应提升学习方法的鲁棒性。在真实数据上的测试表明，我们的方法在预测目标CU转移及每个CU停留时长的准确性方面获得了优越性能。
引用
@article{arxiv.1602.05112,
title = {Patient Flow Prediction via Discriminative Learning of Mutually-Correcting Processes},
author = {Hongteng Xu and Weichang Wu and Shamim Nemati and Hongyuan Zha},
journal= {arXiv preprint arXiv:1602.05112},
year = {2016}
}
备注
in IEEE Transactions on Knowledge and Data Engineering (TKDE), 2016