使用概率模型对住院电子健康记录的序列推断
定量方法
2024-04-25 v2 机器学习
摘要
在动态的医院环境中，决策支持可以是改善患者预后的宝贵工具。在这种动态环境中，对未来的数据驱动推断具有挑战性，因为实验室检查和药物等长序列会频繁更新。这部分归因于数据类型的异质性以及变长序列中包含的混合序列类型。在这项工作中，我们为住院电子健康记录（EHR）数据中包含的多个任意长度序列设计了一个概率无监督模型。该模型使用潜在变量结构，并捕捉药物、诊断、实验室检查、神经评估和药物之间的复杂关系。它可以在原始数据上进行训练，无需任何有损转换或时间分箱。我们推导了推断算法，该算法使用部分数据来推断完整序列的属性，包括其长度和特定值的存在。我们在 Kaiser Permanente Northern California 综合医疗保健服务系统接受医疗护理的受试者数据上训练了该模型。结果针对留出数据进行了评估，用于预测序列的长度以及住院床位序列中重症监护室（ICU）的存在。我们的方法优于基线方法，表明在这些实验中，训练好的模型捕捉了序列中对其未来值具有信息量的信息。
引用
@article{arxiv.2403.19011,
title = {Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models},
author = {Alan D. Kaplan and Priyadip Ray and John D. Greene and Vincent X. Liu},
journal= {arXiv preprint arXiv:2403.19011},
year = {2024}
}