利用循环神经网络结合静态与动态信息预测临床事件
机器学习
2016-11-18 v2 人工智能
神经与进化计算
摘要
在临床数据集中，我们经常发现静态信息（例如患者性别、血型等）与在多次医院就诊期间记录的序列数据（例如开具的药物、进行的检查等）相结合。循环神经网络(RNNs)已被证明在许多机器学习领域中用于序列数据建模非常成功。在这项工作中，我们提出了一种基于 RNNs 的方法，专为临床领域设计，结合静态和动态信息以预测未来事件。我们使用了一个在柏林 Charité 医院收集的数据库，其中包含接受肾移植患者的完整信息。移植后可能出现三个主要终点：肾脏排斥、肾脏丧失和患者死亡。我们的目标是基于每位患者在电子健康记录中记录的信息，预测在每次就诊后的六或十二个月内是否会发生这些终点中的任何一个。我们将为此工作开发的不同类型 RNNs 与基于前馈神经网络和逻辑回归模型的模型进行了比较。我们发现，我们开发的基于门控循环单元(GRU)的 RNN 在该任务上提供了最佳性能。我们还将相同的模型用于第二项任务，即下一次事件预测，发现此处基于前馈神经网络的模型优于其他模型。我们的假设是在该任务中长期依赖并不那么相关。
引用
@article{arxiv.1602.02685,
title = {Predicting Clinical Events by Combining Static and Dynamic Information Using Recurrent Neural Networks},
author = {Cristóbal Esteban and Oliver Staeck and Yinchong Yang and Volker Tresp},
journal= {arXiv preprint arXiv:1602.02685},
year = {2016}
}