基于对比学习的 EHR 数据填充-预测网络用于住院死亡风险建模
摘要：从电子健康记录（EHR）中预测住院死亡的风险已经受到了广泛关注。这样的预测将在患者健康状况恶化时为医护人员提供早期警告，以便及时采取干预措施。由于EHR数据本质上是不规则的，既有许多缺失值，又有医疗记录之间不断变化的时间间隔，所以这个预测任务是具有挑战性的。现有的方法主要集中在利用病人医疗记录中的变量相关性来填补缺失值，并建立时间衰减机制来处理这种不规则性。本文提出了一种基于对比学习的填补-预测网络，用于使用EHR数据预测住院死亡风险。我们的方法在填补过程中引入了基于图分析的患者分层建模，将相似的患者分组。这样可以利用相似患者的信息，作为个人上下文信息的补充，用于缺失值填补。此外，我们的方法可以将对比学习集成到提出的网络架构中，以提高患者表示学习和分类任务的预测性能。在两个真实的EHR数据集上的实验表明，我们的方法在填补和预测任务中均优于现有的最先进方法。
作者：Yuxi Liu, Zhenhao Zhang, Shaowen Qin, Flora D. Salim, Antonio Jimeno Yepes
论文ID：2308.09896
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22