面向临床预测的时间关联元学习
机器学习
2023-03-07 v1 人工智能
摘要
丰富的电子健康记录（EHR）为利用机器学习方法改进临床流程创造了机遇。在不同时间跨度预测同一患者事件可有非常不同的应用与解读；然而，每个潜在时间窗口中事件数量有限损害了常规机器学习算法的有效性。我们提出一种新颖的时间关联元学习（TAML）方法，以在多个未来时间点进行有效预测。我们将时间关联疾病预测视为多个时间点的分类任务。此类紧密相关的分类任务是基于模型的元学习的极佳候选。为解决任务切分后的稀疏问题，TAML 采用时间信息共享策略以增加正样本数量，并在元训练阶段纳入相关表型或事件的预测。我们在多个临床数据集上展示了 TAML 的有效性，其一致优于一系列强基线。我们还开发了 MetaEHR 包，用于在 EHR 数据上实现时间关联与时间无关的小样本预测。
引用
@article{arxiv.2303.02570,
title = {Time Associated Meta Learning for Clinical Prediction},
author = {Hao Liu and Muhan Zhang and Zehao Dong and Lecheng Kong and Yixin Chen and Bradley Fritz and Dacheng Tao and Christopher King},
journal= {arXiv preprint arXiv:2303.02570},
year = {2023}
}