用时间逐点卷积网络预测重症监护病房住院时长
机器学习
2020-11-16 v2 机器学习
摘要
患者需求不断增长与预算限制带来的压力使医院床位管理成为临床人员的日常挑战。最关键的是将资源密集的重症监护病房(ICU)床位高效分配给需要生命支持的患者。解决该问题的核心在于了解当前ICU患者群体可能在该病房停留的时长。本工作中，我们提出一种基于时间卷积与逐点(1x1)卷积相结合的深度学习模型，以在eICU重症监护数据集上解决住院时长预测任务。该模型——我们称之为时间逐点卷积(TPC)——专门设计用于缓解电子健康记录的常见挑战，如偏态分布、不规则采样与缺失数据。由此，相较于常用的长短期记忆(LSTM)网络及被称为Transformer的多头自注意力网络，我们取得了18–51%(依指标而定)的显著性能提升。
引用
@article{arxiv.2006.16109,
title = {Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks},
author = {Emma Rocheteau and Pietro Liò and Stephanie Hyland},
journal= {arXiv preprint arXiv:2006.16109},
year = {2020}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2020 - Extended Abstract. Also accepted for spotlight presentation at Healthcare Systems, Population Health, and the Role of Health-Tech (HSYS) at ICML 2020. The full length version of this paper can be found at arXiv:2007.09483