慢性病复杂疾病患者轨迹表型聚类

近年来，由于电子患者数据的可得性，预测住院患者恶化风险与轨迹演化的任务受到越来越多的关注。此类问题的常见方法包括对患者的时序信息（如生命体征观测）进行聚类，以确定患者群体中相异的子群。大多数聚类方法假设生命体征具有时间不变性，且无法提供临床上相关的聚类可解释性，例如事件或结局信息。本文中，我们在来自慢性阻塞性肺疾病患者的大型医院生命体征观测数据集上评估了三种不同的聚类模型。我们进一步提出了新的改进以处理非均匀采样的时间序列数据与不平衡类别分布，从而改善表型分离。最后，我们讨论了模型学习具有 distinct 行为与表型的患者子群的进一步研究方向。