ZiMM：一种基于非临床理赔数据建模长期模糊复发的深度学习模型
机器学习
2020-07-28 v3 机器学习
摘要
本文考虑对医疗行为（如手术）后发生的长期且“模糊”的复发进行建模与预测的问题。该复发仅通过在医疗行为后长期内的纵向药物处方以“模糊”方式间接观测。我们引入一种称为 ZiMM（零膨胀多项分布混合，Zero-inflated Mixture of Multinomial distributions）的新模型，以捕捉长期且模糊的复发。在此基础上，我们构建了一个端到端的深度学习架构 ZiMM Encoder-Decoder（ZiMM ED），它能够从仅通过理赔数据库观测到的复杂、不规则、高度异构且稀疏的健康事件模式中学习。ZiMM ED 应用于一个“非临床”理赔数据库，该数据库仅包含带时间戳的药物购买、医疗操作和住院诊断的报销代码，唯一可用的临床特征为患者的年龄。该设定比可获得床旁临床信号的设定更具挑战性。我们使用此类非临床理赔数据库的动机在于其人群层面的完备性，优于来自单一或少数几家医院的临床电子健康记录。事实上，我们考虑的数据集包含了几乎所有因前列腺问题接受手术的法国公民的理赔记录，病史介于 1.5 至 5 年。我们考虑长期（18 个月）复发（尽管手术但仍有排尿问题），其为模糊的，因为仅通过特定排尿问题药物组的报销来观测。我们的实验表明，ZiMM ED 优于多个基线方法，包括非深度学习与深度学习方法，且它能在极少预处理工作下应用于此类数据集。
引用
@article{arxiv.1911.05346,
title = {ZiMM: a deep learning model for long term and blurry relapses with non-clinical claims data},
author = {Anastasiia Kabeshova and Yiyang Yu and Bertrand Lukacs and Emmanuel Bacry and Stéphane Gaïffas},
journal= {arXiv preprint arXiv:1911.05346},
year = {2020}
}