基于自监督预测编码与多模态融合的细粒度时间分辨率患者恶化预测
机器学习
2023-04-14 v2
摘要
在及时决策至关重要的紧急场景中，准确时间预测患者危重事件十分关键。尽管诸多研究提出利用电子健康记录（EHR）的自动预测方法，其粗粒度时间分辨率限制了在急诊科（ED）与重症监护室（ICU）等紧急环境中的实际应用。因此，本研究提出一种基于自监督预测编码与多模态融合的每小时预测方法，用于死亡与血管活性药物需求两项关键任务。通过大量实验，我们证明了多模态融合与自监督预测正则化均带来显著性能提升，尤其在远期预测中最为明显，而这在实践中尤为重要。我们的单模态/双模态/带自监督双模态在死亡率（远期死亡率）与血管活性药物需求（远期血管活性药物需求）预测的 AUROC 上分别取得 0.846/0.877/0.897（0.824/0.855/0.886）与 0.817/0.820/0.858（0.807/0.81/0.855）。
引用
@article{arxiv.2210.16598,
title = {Self-Supervised Predictive Coding with Multimodal Fusion for Patient Deterioration Prediction in Fine-grained Time Resolution},
author = {Kwanhyung Lee and John Won and Heejung Hyun and Sangchul Hahn and Edward Choi and Joohyung Lee},
journal= {arXiv preprint arXiv:2210.16598},
year = {2023}
}
备注
Accepted as oral contribution at Trustworthy Machine Learning for Healthcare Workshop, ICLR 2023