临床决策支持中的患者相似性计算：数据转换技术结合静态数据和时间序列数据的高效方法
机器学习
2025-06-10 v1 人工智能
摘要
患者相似性计算（PSC）是医疗信息学中的一个基本问题。计算患者相似性的目标是根据其历史临床记录衡量患者之间的相似性，这有助于提高临床决策支持。本文提出了一种基于数据转换（DT）方法的分布式患者相似性计算（DPSC）技术，利用有效结合时间序列数据和静态数据的方法。时间序列数据是传感器收集的患者信息，包括心率、血压、氧饱和度、呼吸等指标。静态数据主要包括患者背景和人口学数据，包括年龄、体重、身高、性别等。静态数据用于聚类患者。在将静态数据输入机器学习模型自适应权重证据（aWOE）和Z-score数据转换（DT）方法中进行处理，这些方法提高了预测性能。在基于aWOE的患者相似性模型中，使用aWOE处理了敏感患者信息，保留了训练模型的数据隐私。我们采用鲁棒且非常流行的动态时间错位（DTW）方法用于时间序列相似性计算。然而，DTW因计算运行时间显著而不适用于大数据。为克服此问题，本研究采用分布式DTW计算。对于冠状动脉疾病，我们基于DT的方法将预测性能提升了最多11.4%、10.20%和12.6%，分别以AUC、准确率和F值衡量；对于心力衰竱（CHF），本文采用的方法在相同措施上实现了最高可达15.9%、10.5%和21.9%的性能提升。该方法将计算时间缩短了最高可达40%。
引用
@article{arxiv.2506.07092,
title = {Patient Similarity Computation for Clinical Decision Support: An Efficient Use of Data Transformation, Combining Static and Time Series Data},
author = {Joydeb Kumar Sana and Mohammad M. Masud and M Sohel Rahman and M Saifur Rahman},
journal= {arXiv preprint arXiv:2506.07092},
year = {2025}
}
备注
This paper presents a novel distributed patient similarity computation (DPSC) technique based on data transformation (DT) methods, utilizing an effective combination of time series and static data