理解时序电子健康记录中的缺失性以实现个体化表示
机器学习
2024-02-27 v1
摘要
随着机器学习模型在医疗应用中的普及，构建个性化医疗应用的兴趣日益浓厚。尽管已有大量关于个性化医疗的研究提出，但极少有研究关注时序电子健康记录 (EHR) 数据中缺失性的表示及从缺失模式中进行学习。缺乏对缺失性进行个体化方式的表示，限制了机器学习应用向真正个性化方向的充分利用。在这篇简报中，我们通过现实世界的案例强调了关于缺失模式的新见解，并探讨了 EHR 中缺失性的影响。本工作的见解旨在弥合理论假设与现实世界 EHR 实际观察之间的差距。我们希望这项工作将为探索预测建模中更好表示的方向打开新的大门，以实现真正的个性化。
引用
@article{arxiv.2402.15730,
title = {Understanding Missingness in Time-series Electronic Health Records for Individualized Representation},
author = {Ghadeer O. Ghosheh and Jin Li and Tingting Zhu},
journal= {arXiv preprint arXiv:2402.15730},
year = {2024}
}