面向电子健康记录信号与编码的无监督表示学习作为患者状态向量
机器学习
2019-10-07 v1 人工智能
机器学习
摘要
电子健康记录的有效建模面临诸多挑战，因其包含大量不规则性，其中大部分源于患者可能接受的不同操作与诊断。尽管机器学习近期取得进展，无监督学习在很大程度上仍属开放问题，尤其在医疗健康领域。本工作中，我们提出一种两步无监督表示学习方案，将包含信号与医学编码的多模态临床时间序列总结为患者状态向量。首先，使用自编码器步骤将稀疏医学编码与临床时间序列降维为分布式表示。随后，分布式表示的拼接通过预测任务进一步微调。我们在两项下游任务（死亡率与再入院）上评估该表示的有用性。我们提出的方法在短时长与长时长 ICU 访视中均展现出改进的泛化性能。
引用
@article{arxiv.1910.01803,
title = {Unsupervised Representation for EHR Signals and Codes as Patient Status Vector},
author = {Sajad Darabi and Mohammad Kachuee and Majid Sarrafzadeh},
journal= {arXiv preprint arXiv:1910.01803},
year = {2019}
}