基于 EHR 数据的临床事件预测仅需简单循环神经网络
机器学习
2021-10-05 v1 人工智能
计算与语言
神经与进化计算
摘要
近来，利用电子健康记录（EHR）数据预测临床事件的深度学习模型应用受到广泛关注。在 EHR 数据中，患者的病史通常表示为一系列就诊记录，每次就诊包含多个事件。因此，为序列建模开发的深度学习模型，如循环神经网络（RNNs），是基于 EHR 的临床事件预测模型的常见架构。尽管文献中提出了种类繁多的 RNN 模型，但尚不清楚复杂的架构创新是否能带来更优的预测性能。为了推动该领域发展，需要对各种方法进行严格评估。在本研究中，我们对用于 EHR 数据建模的 RNN 架构进行了全面基准测试。我们使用了两项预测任务：发生心力衰竭的风险和住院患者早期再入院的风险。我们发现，当通过贝叶斯优化进行恰当调参时，简单的门控 RNN 模型（包括 GRU 和 LSTM）往往能提供具有竞争力的结果，这与自然语言处理（NLP）领域的类似发现一致。为了可复现性，我们的代码库发布于 https://github.com/ZhiGroup/pytorch_ehr。
引用
@article{arxiv.2110.00998,
title = {Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data},
author = {Laila Rasmy and Jie Zhu and Zhiheng Li and Xin Hao and Hong Thoai Tran and Yujia Zhou and Firat Tiryaki and Yang Xiang and Hua Xu and Degui Zhi},
journal= {arXiv preprint arXiv:2110.00998},
year = {2021}
}
备注
This podium abstract was peer-reviewed and accepted in 2018, and presented at Medinfo-2019 in Leon France in August 2019