罕见病医生定向：一种因子图方法
机器学习
2017-01-23 v1 机器学习
摘要
在罕见病医生定向中，一个主要挑战是如何识别正在治疗已诊断或欠诊断罕见病患者的医生。罕见病发病率极低。对于特定的罕见病，仅少数患者受影响，且涉及一小部分医生。现有的定向方法，如细分与画像，是在大众市场假设下开发的。它们不适用于目标类别极度不平衡的罕见病市场。作者提出一种图模型方法，通过联合建模来自不同数据空间的医生和患者特征并利用额外的关联信息来预测目标。通过一个使用医疗索赔和处方数据的实证例子，所提方法在寻找目标医生方面展现出更好的准确性。图表示还提供了医生与患者之间关系的视觉可解释性。该模型可扩展以纳入更复杂的依赖结构。本文为探索医疗行业中实体间关联依赖关系益处的文献做出了贡献。
引用
@article{arxiv.1701.05644,
title = {Rare Disease Physician Targeting: A Factor Graph Approach},
author = {Yong Cai and Yunlong Wang and Dong Dai},
journal= {arXiv preprint arXiv:1701.05644},
year = {2017}
}