基于图增强时间敏感模型从临床时间序列数据预测治疗启动
机器学习
2019-07-03 v1 机器学习
摘要
许多计算模型被提出以从临床时间序列中提取每位患者及患者组间的时间模式用于预测性医疗。然而，患者间的常见关系（例如共享同一医生）很少被考虑。本文中，我们用二部图表示患者与临床医生的关系，例如患者从谁处获得诊断。然后我们求解图拉普拉斯算子的前几个特征向量，并将这些特征向量作为患者-临床医生对之间相似性的潜在表示纳入时间敏感预测模型。我们使用真实世界数据实验预测慢性淋巴细胞白血病（CLL）患者一线治疗的启动。结果显示，关系相似性可改善对多个基线的预测，例如在精确率-召回率曲线下面积方面比长短期记忆基线提高5%。
引用
@article{arxiv.1907.01099,
title = {Predicting Treatment Initiation from Clinical Time Series Data via Graph-Augmented Time-Sensitive Model},
author = {Fan Zhang and Tong Wu and Yunlong Wang and Yong Cai and Cao Xiao and Emily Zhao and Lucas Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:1907.01099},
year = {2019}
}
备注
5 pages, 3 figures, accepted by ICML 2019 Time Series Workshop