TASTE：用于电子健康记录表型分析的时间与静态张量分解
机器学习
2019-11-15 v1 机器学习
摘要
电子健康记录（EHR）表型分析侧重于定义有意义的患者群体（例如心力衰竭组和糖尿病组）并识别这些群体中患者的时间演化。张量分解一直是表型分析的有效工具。现有工作大多假设使用聚合数据的静态患者表示，或仅对时间数据建模。然而，真实EHR数据同时包含时间信息（例如纵向临床就诊）和静态信息（例如患者人口统计学特征），难以同时建模。本文中，我们提出时间与静态张量分解（TASTE），联合建模静态与时间信息以提取表型。TASTE将PARAFAC2模型与非负矩阵分解相结合，对一个时间张量和一个静态张量进行建模。为拟合所提模型，我们将原问题转化为更简单的子问题，并以交替方式最优求解。对于每个子问题，我们提出的数学重构带来了高效的子问题求解器。在来自心力衰竭（HF）研究的大型EHR数据上的综合实验证实，TASTE比若干基线快至多14倍，且所得表型经心脏病专家确认具有临床意义。使用TASTE提取的80个表型，一个简单的逻辑回归即可达到与采用循环神经网络（RNN）和345个特征的深度学习模型相同的HF预测曲线下面积（AUC）水平。
引用
@article{arxiv.1911.05843,
title = {TASTE: Temporal and Static Tensor Factorization for Phenotyping Electronic Health Records},
author = {Ardavan Afshar and Ioakeim Perros and Haesun Park and Christopher deFilippi and Xiaowei Yan and Walter Stewart and Joyce Ho and Jimeng Sun},
journal= {arXiv preprint arXiv:1911.05843},
year = {2019}
}
备注
19 pages