面向序列电子健康记录的无监督概率模型
机器学习
2022-09-02 v2 定量方法
摘要
我们为异构电子健康记录（EHR）数据开发了一种无监督概率模型。利用混合模型表述，我们的方法直接对任意长度的序列（如用药与实验室结果）建模。这允许对异构数据类型背后的动态进行子分组与整合。该模型由一组分层的潜变量构成，用以编码数据中的底层结构。这些变量在顶层表示受试者子群，在第二层表示序列的未观测状态。我们在凯撒医疗北加州整合医疗系统中接受医疗服务的受试者的 episodic 数据上训练该模型。训练后模型的所得特性从这些复杂多维数据中生成了新的洞见。此外，我们展示了如何利用该模型分析与死亡可能性评估相关的序列。
引用
@article{arxiv.2204.07292,
title = {Unsupervised Probabilistic Models for Sequential Electronic Health Records},
author = {Alan D. Kaplan and John D. Greene and Vincent X. Liu and Priyadip Ray},
journal= {arXiv preprint arXiv:2204.07292},
year = {2022}
}