PRISM：通过从缺失特征校准的原型患者表示学习缓解EHR数据稀疏性
机器学习
2025-02-27 v6 人工智能
摘要
电子健康记录（EHRs）包含丰富的患者数据；然而，EHRs数据的稀疏性常给预测建模带来显著挑战。常规插补方法未能充分区分真实与插补数据，导致患者表示潜在不准确。为解决这些问题，我们引入PRISM，一种通过利用相似患者的原型表示间接插补数据，从而确保保留患者信息的紧凑表示的框架。PRISM还包含一个特征置信度学习器模块，其结合缺失状态评估各特征的可靠性。此外，PRISM提出了一种考虑特征置信度的新患者相似性度量，避免过度依赖不精确的插补值。我们在MIMIC-III、MIMIC-IV、PhysioNet Challenge 2012、eICU数据集上的大量实验表明，PRISM在预测院内死亡率和30天再入院任务上性能优越，展现了其处理EHR数据稀疏性的有效性。为可复现与进一步研究，我们已在 https://github.com/yhzhu99/PRISM 公开代码。
引用
@article{arxiv.2309.04160,
title = {PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations},
author = {Yinghao Zhu and Zixiang Wang and Long He and Shiyun Xie and Xiaochen Zheng and Liantao Ma and Chengwei Pan},
journal= {arXiv preprint arXiv:2309.04160},
year = {2025}
}
备注
CIKM 2024 Full Research Paper