慢病门诊照护中深度多元纵向患者结局预测系统的时间聚合与模型解释
机器学习
2018-12-03 v1 人工智能
机器学习
摘要
占国家医疗支出 90% 的门诊照护的临床数据，其特征是相对小样本的纵向数据、每位患者就诊间隔不等、且跨患者收集的数据点数量不等。尽管深度学习已成为序列建模的最先进方法，但尚不清楚哪些时间聚合方法最适合这些具有挑战性的时间用例。此外，深度模型常被医生认为不可解释，这可能阻碍临床采纳，即使模型性能良好。我们展示了时间分布稠密层与 GRU 相结合可产生最具泛化性的模型。此外，我们提供了一个用于模型临床解释的框架。
引用
@article{arxiv.1811.12589,
title = {Time Aggregation and Model Interpretation for Deep Multivariate Longitudinal Patient Outcome Forecasting Systems in Chronic Ambulatory Care},
author = {Beau Norgeot and Dmytro Lituiev and Benjamin S. Glicksberg and Atul J. Butte},
journal= {arXiv preprint arXiv:1811.12589},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216