用于医疗时间序列预测的稀疏多输出高斯过程
机器学习
2018-06-25 v2
摘要
在医院患者实时监测场景中，利用临床协变量和实验室检测中所有可用信息对患者健康状况进行高质量推断，对于成功医疗干预和改善患者预后至关重要。开发能够从观察性大规模电子健康记录（EHRs）中学习并做出准确实时预测的计算框架是关键一步。本工作中，我们开发并探索了一种基于高斯过程（GP）回归的贝叶斯非参数模型用于医院患者监测。我们提出MedGP，一个统计框架，它纳入了24个临床和实验室协变量，并支持一个丰富的参考数据集，从中可以推断并利用观测协变量之间的关系，以随时间对患者状态进行高质量推断。为此，我们开发了一个高度结构化的稀疏GP核，以便在处理数万个时间点的同时估计临床协变量、患者和患者观察周期性之间的相关性。MedGP相对于当前方法具有若干优势，包括（i）不需要时间序列数据对齐，（ii）量化预测中的置信区域，（iii）利用庞大丰富的患者数据库，以及（iv）推断临床协变量之间可解释的关系。我们在来自两个医疗数据集的8,043名患者的三个患者子组的在线预测任务上评估并比较了MedGP的结果。我们发现，对于几乎所有协变量在不同疾病亚组和研究中，MedGP改善了在线预测相对于基线方法。公开可用代码见 https://github.com/bee-hive/MedGP。
引用
@article{arxiv.1703.09112,
title = {Sparse Multi-Output Gaussian Processes for Medical Time Series Prediction},
author = {Li-Fang Cheng and Gregory Darnell and Bianca Dumitrascu and Corey Chivers and Michael E Draugelis and Kai Li and Barbara E Engelhardt},
journal= {arXiv preprint arXiv:1703.09112},
year = {2018}
}
备注
Add new results and appendices