用于预测 ICU 死亡风险的有监督非负矩阵分解
机器学习
2018-10-10 v2 机器学习
摘要
ICU 死亡风险预测是一项艰巨却重要的任务。一方面，由于所收集的复杂时序数据，难以识别有效特征并对其进行简便解释；另一方面，良好的预测可帮助临床医生及时采取措施以防止死亡。这分别对应可解释性与准确性问题。大多数现有方法缺乏可解释性，但近来子图增强非负矩阵分解（SANMF）已成功应用于时间序列数据，为良好解释特征提供了一条途径。因此，我们采用该方法作为骨干来分析患者数据。原始 SANMF 方法的一个局限在于其无监督性质导致的较差预测能力。为处理此问题，我们提出一种有监督 SANMF 算法，将逻辑回归损失函数整合进 NMF 框架，并以交替优化过程求解。我们使用仿真数据验证该方法的有效性，随后将其应用于 ICU 死亡风险预测，并展示了其相对于其他常规有监督 NMF 方法的优越性。
引用
@article{arxiv.1809.10680,
title = {Supervised Nonnegative Matrix Factorization to Predict ICU Mortality Risk},
author = {Guoqing Chao and Chengsheng Mao and Fei Wang and Yuan Zhao and Yuan Luo},
journal= {arXiv preprint arXiv:1809.10680},
year = {2018}
}
备注
7 Pages, 2 figures