具有RNN编码与张量解码的预测式临床决策支持系统
机器学习
2016-12-05 v1
摘要
随着电子健康记录(Electric Health Records)的引入，大量数字数据可用于分析与决策支持。当医生为患者开具治疗时，需要考虑大量的数据种类与体量，使得决策日益复杂。基于机器学习的临床决策支持(CDS)系统可应对这些数据挑战。本工作关注一类直接预测医生决策的决策支持。具体而言，模型会对推测医生更可能做出的决策赋予更高概率，从而CDS系统能为医生提供合理的推荐。我们还解决了目标特征中的相关问题：医生常需在一个决策块中做出多个(子)决策，且这些决策相互依赖。我们提出使用张量分解模型解决目标相关问题。为将患者历史信息作为序列数据处理，我们采用了基于循环神经网络(RNN)作为编码器、张量分解模型作为解码器的编码器-解码器框架，这一组合在机器学习中尚属新颖。通过在真实数据集上的实验，我们表明所提模型确实取得了更好的预测性能。
引用
@article{arxiv.1612.00611,
title = {Predictive Clinical Decision Support System with RNN Encoding and Tensor Decoding},
author = {Yinchong Yang and Peter A. Fasching and Markus Wallwiener and Tanja N. Fehm and Sara Y. Brucker and Volker Tresp},
journal= {arXiv preprint arXiv:1612.00611},
year = {2016}
}