利用电子病历中的临床结构稳定稀疏 Cox 模型
机器学习
2014-07-24 v1 机器学习
摘要
临床预测模型的稳定性对于研究间的可迁移性至关重要，但尚未得到充分重视。这一问题在高维数据中尤为突出，而高维数据往往需要具有特征选择能力的稀疏模型。我们引入了一种有效的方法，利用电子病历 (Electronic Medical Records, EMR) 中固有的临床结构来稳定事件发生时间的稀疏 Cox 模型。模型估计通过源自两类 EMR 结构的特征图进行稳定：疾病与干预复发的时间结构，以及医学知识与实践的层级结构。我们在预测心力衰竭患者再入院时间方面证明了该方法的有效性。在两个稳定性指标——Jaccard 指数和一致性指数上，使用临床结构显著提高了特征稳定性，同时未损害判别能力。我们的模型在 6 个月预测中报告了具有竞争力的 AUC 值 0.64（95% 置信区间：[0.58,0.69]）。
引用
@article{arxiv.1407.6094,
title = {Stabilizing Sparse Cox Model using Clinical Structures in Electronic Medical Records},
author = {Shivapratap Gopakumar and Truyen Tran and Dinh Phung and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1407.6094},
year = {2014}
}
备注
Submitted to International Workshop on Pattern Recognition for Healthcare Analytics 2014, Sweden. Contains 4 pages, 5 figures