在医疗数据中拯救禁果的贵金属：利用代理结果和单记录数据进行罕见事件建模
统计方法学
2025-01-28 v1 机器学习
应用统计
机器学习
摘要
电子健康记录（EHR）和医疗索赔的庞大存储库蕴含着用于研究罕见但关键事件（如自杀企图）的未开发潜力。常规的设置通常将自杀企图建模为单一结果，并排除任何“单记录”患者（即仅有一个记录接触的患者），因为缺乏历史信息。然而，诊断为唯一接触处的自杀企图的患者，在数据中可能代表相当大比例（高达70-80%）的全部企图案例。我们提出一种混合且集成的学习框架，利用代理结果作为代理，并发掘禁果且珍贵的单记录数据的价值。该方法采用监督学习组件，以学习连接主要结果（如自杀）和代理结果（如精神障碍）的潜在变量，以捕获历史信息。同时采用无监督学习组件，通过共享的潜在变量利用单记录数据。因此，我们的方法为在罕见疾病和事件建模中至关重要的信息整合提供了通用策略。我们采用康涅狄格的住院数据，展示单记录数据和同步诊断确实携带有价值的信息，利用它们可显著改进自杀风险建模。
引用
@article{arxiv.2501.15079,
title = {Salvaging Forbidden Treasure in Medical Data: Utilizing Surrogate Outcomes and Single Records for Rare Event Modeling},
author = {Xiaohui Yin and Shane Sacco and Robert H. Aseltine and Fei Wang and Kun Chen},
journal= {arXiv preprint arXiv:2501.15079},
year = {2025}
}