用于电子健康记录死亡率预测的 Uncertainty-Gated 随机序列模型
机器学习
2020-03-03 v1 机器学习
摘要
电子健康记录（EHR）具有非平稳、异构、噪声大和稀疏的特点；因此，学习其中固有的规律或模式具有挑战性。特别是，主要由大量缺失值引起的稀疏性引起了研究人员的关注，他们试图通过定义一个次要插补问题，更好地利用所有可用样本来确定主要目标任务的解决方案。在方法上，现有方法无论是确定性的还是随机性的，都应用了不同的假设来插补缺失值。然而，一旦缺失值被插补，大多数现有方法在下游任务建模中不考虑插补值的保真度或置信度。无疑，缺失变量的错误或不当插补会导致建模困难以及性能下降。在本研究中，我们提出了一种新颖的变分循环网络，其（i）估计缺失变量的分布以表示插补值中的不确定性，（ii）在循环过程中基于插补值的方差显式应用保真度来更新隐藏状态（即不确定性随时间传播），以及（iii）预测院内死亡的可能性。值得注意的是，我们的模型可以在单一流中执行这些过程，并以端到端方式联合学习所有网络参数。我们使用 MIMIC-III 和 PhysioNet challenge 2012 的公开数据集验证了方法的有效性，与实验中考虑的其他用于死亡率预测的 SOTA 方法相比表现更优。此外，我们识别了模型的行为，其很好地表示了插补估计的不确定性，表明计算出的 MAE 与不确定性之间存在高相关性。
引用
@article{arxiv.2003.00655,
title = {Uncertainty-Gated Stochastic Sequential Model for EHR Mortality Prediction},
author = {Eunji Jun and Ahmad Wisnu Mulyadi and Jaehun Choi and Heung-Il Suk},
journal= {arXiv preprint arXiv:2003.00655},
year = {2020}
}
备注
11 pages, 4 figures