RNN-BOF：一种用于住院患者攻击行为二元结果预测的多元全局循环神经网络
机器学习
2023-12-05 v1
摘要
心理测量评估工具通过提供评估未来不良事件（如攻击行为）风险的方法来辅助临床医生。现有的机器学习方法将此视为分类问题，即根据心理测量工具的评分以及临床和人口统计学协变量，预测固定未来时间段内发生不良事件的概率。我们则提出采用时间序列方法对患者未来的风险进行建模，该方法从纵向数据中学习，并生成一个概率性二元预测，指示下一时间段内是否存在不良事件。受深度神经网络在跨多时间序列全局预测方面近期成功的启发，我们引入了一种用于二元结果预测的全局多元循环神经网络（Recurrent Neural Network for Binary Outcome Forecasting），该网络针对一组患者时间序列进行训练和预测，从而生成个体化的概率风险评估。我们在包含 83 名患者的真实世界数据集上采用移动窗口训练方案，其中主要二元时间序列表示攻击行为事件的存在，协变量时间序列表示临床或人口统计学特征以及心理测量指标。在该数据集上，我们的方法相较于基准心理测量工具以及先前使用的机器学习方法均取得了显著的性能提升。
引用
@article{arxiv.2312.01029,
title = {RNN-BOF: A Multivariate Global Recurrent Neural Network for Binary Outcome Forecasting of Inpatient Aggression},
author = {Aidan Quinn and Melanie Simmons and Benjamin Spivak and Christoph Bergmeir},
journal= {arXiv preprint arXiv:2312.01029},
year = {2023}
}