SurvLatent ODE：一种基于神经 ODE 的带竞争风险纵向数据生存时间模型改进了癌症相关静脉血栓栓塞（VTE）预测
机器学习
2022-08-11 v2 机器学习
摘要
从电子健康记录（EHR）数据有效学习以预测临床结局常具挑战性，因为特征在不规则时间点记录、存在失访以及死亡或疾病进展等竞争事件。为此，我们提出一种生成式生存时间模型 SurvLatent ODE，其采用基于常微分方程的循环神经网络（ODE-RNN）作为编码器，以在不规则采样输入数据下有效参数化潜状态动力学。我们的模型随后利用所得潜嵌入灵活估计多个竞争事件的生存时间，而无需指定事件特定风险函数的形状。我们在 MIMIC-III（一个从重症监护单元收集的可自由获取纵向数据集）上展示了模型在预测住院死亡率方面的竞争性能，并在 Dana-Farber 癌症研究所（DFCI）数据上展示了预测静脉血栓栓塞（VTE）（癌症患者一种危及生命并发症）发病且以死亡为竞争事件的性能。SurvLatent ODE 在分层 VTE 风险组方面优于当前临床标准 Khorana 风险评分，同时提供具临床意义且可解释的潜表示。
引用
@article{arxiv.2204.09633,
title = {SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Venous Thromboembolism (VTE) prediction},
author = {Intae Moon and Stefan Groha and Alexander Gusev},
journal= {arXiv preprint arXiv:2204.09633},
year = {2022}
}
备注
Proceedings of Machine Learning Research, Volume 182: Machine Learning for Healthcare Conference (MLHC) 2022