面向细粒度再入院预测的 EHR 时间级联与结构建模
机器学习
2021-02-05 v1 人工智能
摘要
通过挖掘电子健康记录（EHR）数据，预测（1）患者下次入院发生的时间以及（2）下次入院时的情况，可提供细粒度再入院预测以辅助临床决策。循环神经网络（RNN）与点过程模型常用于对时间序列数据建模。简单 RNN 模型假设就诊序列在连续就诊间遵循严格因果依赖。然而在现实中，患者可能患有多种共存的慢性病症，即共病，这会导致就诊的级联现象，其中非紧邻的历史就诊可能对下次就诊最具影响。尽管点过程（如 Hawkes 过程）能够建模级联时间关系，但其强烈依赖于先验生成过程假设。我们提出一种新模型 MEDCAS 以应对这些挑战。MEDCAS 将基于 RNN 的模型与点过程的优势相结合，把对就诊类型与时间间隔建模的点过程集成到基于注意力的序列到序列学习模型中，从而能够捕捉时间级联关系。为补充短就诊序列的患者，MEDCAS 中采用基于图方法的结构建模技术来构造点过程的标记。在三个真实世界 EHR 数据集上的大量实验表明，\texttt{MEDCAS} 在两项任务上均优于最先进的模型。
引用
@article{arxiv.2102.02586,
title = {Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction},
author = {Bhagya Hettige and Weiqing Wang and Yuan-Fang Li and Suong Le and Wray Buntine},
journal= {arXiv preprint arXiv:2102.02586},
year = {2021}
}