基于电子健康记录的多层级预测性患者表示
机器学习
2019-11-14 v1 人工智能
摘要
互联网时代的到来使得过去几十年间电子健康记录（EHR）呈爆发式增长。EHR 数据可视为临床事件的集合，包括检验结果、用药记录、生理指标等，可用于临床结局预测任务，支撑智能医疗系统的构建。从这些临床事件中学习患者表示以进行临床结局预测是重要且具挑战的一步。多数相关研究将患者的 EHR 数据按时间顺序转化为临床事件序列，再用序列模型学习患者表示以预测结局。然而，临床事件序列包含数千种事件类型及时间依赖关系。我们进一步观察到，短期内发生的临床事件不受任何时间顺序约束，而长期事件则受时间依赖影响。这种多尺度时间特性使得传统序列模型难以捕捉临床事件序列中的短期共现与长期时间依赖。针对上述挑战，本文提出一种多层级表示模型（MRM）。MRM 首先使用稀疏注意力机制建模短期共现，随后基于区间的事件池化去除冗余信息并缩短序列长度，最后通过长短期记忆网络（LSTM）预测临床结局。在真实数据集上的实验表明，我们所提模型大幅提升了基于 EHR 数据的临床结局预测任务性能。
引用
@article{arxiv.1911.05698,
title = {Predictive Multi-level Patient Representations from Electronic Health Records},
author = {Zichang Wang and Haoran Li and Luchen Liu and Haoxian Wu and Ming Zhang},
journal= {arXiv preprint arXiv:1911.05698},
year = {2019}
}