从电子健康记录预测慢性病住院：一种可解释分类方法
机器学习
2018-01-08 v1
摘要
现代大城市中的城市生活对健康有显著的不良影响，增加了多种慢性病的患病风险。我们关注两类主要的慢性病集群——心脏病和糖尿病，并开发数据驱动的方法来预测由这些病症导致的住院。我们的预测基于患者的医疗史（近期和更久远的），如电子健康记录（EHR）中所述。我们将预测问题表述为二分类问题，并考虑了多种机器学习方法，包括核化与稀疏支持向量机（SVM）、稀疏逻辑回归和随机森林。为了在预测的准确性和可解释性之间取得平衡（这在医疗环境中十分重要），我们提出了两种新方法：K-LRT（一种基于似然比检验的方法）和联合聚类与分类（JCC）方法，该方法识别隐藏的患者集群并为每个集群适配分类器。我们为后者方法开发了理论样本外保证。我们在来自波士顿医疗中心（新英格兰地区最大的安全网医院系统）的大型数据集上验证了我们的算法。
引用
@article{arxiv.1801.01204,
title = {Predicting Chronic Disease Hospitalizations from Electronic Health Records: An Interpretable Classification Approach},
author = {Theodora S. Brisimi and Tingting Xu and Taiyao Wang and Wuyang Dai and William G. Adams and Ioannis Ch. Paschalidis},
journal= {arXiv preprint arXiv:1801.01204},
year = {2018}
}