基于高斯过程潜势模型的药物治疗患者特异性效应
机器学习
2019-06-04 v1 机器学习
摘要
多输出高斯过程（GPs）是一种灵活的贝叶斯非参数框架，已证明可用于联合建模医疗时间序列数据中患者的生理状态。然而，捕捉药物和治疗干预对患者生理状态的短期效应仍然具有挑战性。我们提出一种新方法，将干预效应建模为混合高斯过程，该过程由捕捉患者生理的GP与捕捉治疗对特定生理特征效应的潜势模型卷积而成。这种多输出GP与包含因果时间标记核的GP的卷积，导致了一个特征明确的模型，描述患者生理状态对干预的响应。我们表明，我们的模型可导出解析易处理的互协方差函数，从而实现可扩展推断。我们的层次模型包含患者特异性效应估计，但允许跨患者共享支撑。我们的方法在具有挑战性的医院数据上取得了有竞争力的预测性能，从中我们恢复了患者对三种常用药物（一种降压药和两种抗凝剂）给药的特异性响应。
引用
@article{arxiv.1906.00226,
title = {Patient-Specific Effects of Medication Using Latent Force Models with Gaussian Processes},
author = {Li-Fang Cheng and Bianca Dumitrascu and Michael Zhang and Corey Chivers and Michael Draugelis and Kai Li and Barbara E. Engelhardt},
journal= {arXiv preprint arXiv:1906.00226},
year = {2019}
}