连续时间概率模型的纵向电子健康记录
摘要：分析纵向电子健康记录（EHR）数据是精准医学的重要目标。将机器学习（ML）方法（无论是预测性还是无监督性）应用于EHR数据是困难的，部分原因是EHR数据的异质性和不规则采样。我们提出了一种无监督的概率模型，可以捕捉连续时间内变量之间的非线性关系。该方法适用于任意的采样模式，并捕捉变量测量和它们之间的时间间隔的联合概率分布。推理算法被推导出来，可以用来评估在训练模型下未来的可能性。作为一个例子，我们考虑了来自美国退伍军人事务管理局（VHA）的糖尿病和抑郁症领域的数据。生成了似然比图，显示了根据患者健康问卷-9（PHQ-9）测量的中度-重度与轻度抑郁症风险的可能性。
作者：Alan D. Kaplan, Uttara Tipnis, Jean C. Beckham, Nathan A. Kimbrel, David W. Oslin, Benjamin H. McMahon
论文ID：2201.03675
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-04-18