面向电子健康记录的个性化事件预测

临床事件序列由数百个代表随时间的患者诊疗记录的临事件组成。开发此类序列的准确预测模型对于支持多种解释/分类当前患者状况或预测不良临床事件与结局的模型具有重要意义，皆旨在改善患者照护。学习临床序列预测模型的一个重要挑战是其患者特异性变异。基于潜在临床状况，每位患者的序列可能由不同的临床事件集（观察、实验室结果、用药、操作）组成。因此，从许多不同患者的事件序列学习的简单全人群模型可能无法准确预测事件序列的患者特异性动态及其差异。为解决该问题，我们提出并研究了多种新的事件序列预测模型与方法，使我们能更好地针对个体患者及其特定状况调整预测。本工作开发的方法追求将全人群模型细化到子人群、自适应以及能够在自适应选择最有可能支持即时预测的模型的元级模型切换。我们在 MIMIC-III 数据库中患者的临床事件序列上分析并测试了这些模型的性能。