SAVEHR：基于 EHR 的自注意力向量表示用于个性化慢性病发病预测与可解释性
机器学习
2019-11-14 v1 人工智能
摘要
慢性病进展正成为医疗服务提供者投资的一个重要领域。随着可用临床数据的数量和丰富度不断增加以及机器学习的进步，我们在照护患者的方法上大有潜力可挖。解决该问题的理想方法应至少在三个轴上表现良好，即 a) 在多种临床条件下表现良好而无需深厚的临床专业知识或大量的数据科学家投入，b) 跨人群泛化，以及 c) 可解释（模型可解释性）。我们提出 SAVEHR，一种基于自注意力、作用于异质结构化 EHR 数据的架构，在提前 15 个月预测四种临床病症（CHF、肾衰、糖尿病和 COPD）的发病上实现了 0.51 的 AUC-PR 和 0.87 的 AUC-ROC 提升，并以高性能迁移到一个新人群。我们证明 SAVEHR 模型在前述三个轴上均优于十个基线。
引用
@article{arxiv.1911.05370,
title = {SAVEHR: Self Attention Vector Representations for EHR based Personalized Chronic Disease Onset Prediction and Interpretability},
author = {Sunil Mallya and Marc Overhage and Sravan Bodapati and Navneet Srivastava and Sahika Genc},
journal= {arXiv preprint arXiv:1911.05370},
year = {2019}
}
备注
ML4H Workshop at Neurips 2019