Patient2Vec：纵向电子健康记录的个性化可解释深度表示
定量方法
2018-10-26 v3 人工智能
信息检索
机器学习
机器学习
摘要
电子健康记录 (EHR) 系统的广泛实施促进了从真实临床环境收集大规模健康数据。尽管 EHR 系统的采用显著增加，该数据仍大多未被探索，却为从患者健康史中发现知识提供了丰富数据源，可用于理解疾病关联和预测健康结局等任务。然而，该数据的异质性、稀疏性、噪声和偏倚带来了许多复杂挑战。这种复杂性使得将潜在相关信息转化为机器学习算法十分困难。本文提出一个计算框架 Patient2Vec，以学习纵向 EHR 数据的可解释深度表示，该表示针对每位患者个性化。为评估此方法，我们将其应用于使用真实 EHR 数据预测未来住院，并与基线方法比较预测性能。Patient2Vec 产生具有有意义结构的向量空间，达到约 0.799 的 AUC，优于基线方法。最后，学习到的特征重要性可在个体和群体层面可视化与解释，以提供临床洞见。
引用
@article{arxiv.1810.04793,
title = {Patient2Vec: A Personalized Interpretable Deep Representation of the Longitudinal Electronic Health Record},
author = {Jinghe Zhang and Kamran Kowsari and James H. Harrison and Jennifer M. Lobo and Laura E. Barnes},
journal= {arXiv preprint arXiv:1810.04793},
year = {2018}
}
备注
Accepted by IEEE Access