基于深度学习方法的时间序列预测在医疗健康中的应用
机器学习
2022-09-16 v3
摘要
传统机器学习方法在处理医疗健康预测分析任务时面临两个主要挑战。首先，医疗数据的高维特性需要耗费人力和时间的流程来为每个新任务选择合适的特征集。其次，这些方法依赖特征工程来捕捉患者数据的序列性质，可能不足以充分利用医疗事件的时间模式及其依赖关系。近期深度学习方法通过应对医疗数据的高维与时间挑战，在各种医疗健康预测任务中展现出良好性能。这些方法能够从高维原始或 minimally-processed 医疗数据中学习关键因素(如医疗概念或患者)及其交互的有用表示。本文系统回顾了致力于推进和使用深度神经网络以利用患者结构化时间序列数据进行医疗健康预测任务的研究。为识别相关研究，我们检索了MEDLINE、IEEE、Scopus和ACM数字图书馆中截至2021年2月7日发表的研究。我们发现研究者从十个研究流向上对深度时间序列预测文献作出了贡献：深度学习模型、缺失值处理、不规则性处理、患者表示、静态数据纳入、注意力机制、可解释性、融入医学本体、学习策略与可扩展性。本研究总结了这些文献流的研究见解，指出了若干关键研究空白，并提出了深度学习在患者时间序列数据方面的未来研究机会。
引用
@article{arxiv.2108.13461,
title = {Time Series Prediction using Deep Learning Methods in Healthcare},
author = {Mohammad Amin Morid and Olivia R. Liu Sheng and Joseph Dunbar},
journal= {arXiv preprint arXiv:2108.13461},
year = {2022}
}