利用时间感知的访视内与跨访视信息重建缺失电子健康记录以早期预测脓毒性休克
机器学习
2022-07-12 v2 应用统计
摘要
真实世界中的电子健康记录（EHRs）常受困于高比例的缺失数据。例如，在我们的 EHRs 中，某些特征的缺失率高达 90%，所有特征的平均缺失率约为 70%。我们提出了一种时间感知的双重跨访视缺失值插补方法，称为 TA-DualCV，它自发地利用跨特征的多变量依赖关系以及访视内与跨访视的纵向依赖关系，以最大化从 EHRs 中有限可观测记录提取的信息。具体而言，TA-DualCV 捕捉不同特征各测量值之间缺失模式的潜在结构，同时考虑时间连续性并基于时间步长与不规整时间间隔捕捉潜在的时间缺失模式。TA-DualCV 在三个大型真实世界 EHRs 上通过两类任务进行评估：一类是将掩码率变化至 90% 的无监督插补任务，另一类是使用长短期记忆（LSTM）的脓毒性休克 24 小时早期预测监督任务。我们的结果表明，在两类任务上 TA-DualCV 均显著优于所有现有的 SOTA 插补基线，如 DETROIT 和 TAME。
引用
@article{arxiv.2203.08245,
title = {Reconstructing Missing EHRs Using Time-Aware Within- and Cross-Visit Information for Septic Shock Early Prediction},
author = {Ge Gao and Farzaneh Khoshnevisan and Min Chi},
journal= {arXiv preprint arXiv:2203.08245},
year = {2022}
}
备注
12 pages, accepted at IEEE ICHI'22