ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context

最新推荐文章于 2024-10-31 17:05:07 发布

懒懒不会瘦

最新推荐文章于 2024-10-31 17:05:07 发布

阅读量1k

点赞数 1

分类专栏：文献阅读文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/m0_45252564/article/details/115139420

版权

《ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context》介绍了如何利用时间感知的多通道GRU和注意力机制处理不规则时序的EMR数据，预测患者入院死亡风险。模型考虑了时间间隔的影响和特征间的关系，提高了预测的准确性和可解释性。

摘要由CSDN通过智能技术生成

论文阅读——《ConCare: Personalized Clinical Feature Embedding via Capturing the Healthcare Context》

【这是2020.12投给所里一篇论文速递，搬到CSDN上做个纪念嘿嘿】
本文要给大家分享的是北京大学Liantao Ma等人在AAAI2020发表的一篇关于利用患者的EMR数据预测患者入院死亡风险的论文。从电子病历(Electronic Medical Records, EMR)数据中预测患者的临床结果一直是医疗信息学中一个基础研究问题，在本文中，作者提出ConCare框架，该框架使用时间感知的多通道GRU对EMR数据进行建模，提取不规则时序数据对预测结果的影响。ConCare还引入了多头注意力机制，不仅能有效捕获EMR数据中动态特征与静态基线信息之间的相互依赖关系，还使模型具有很好的可解释性。

背景

EMR数据也就是我们常说的电子病历数据，由患者的一系列历史就诊序列构成。临床输出一般是对患者未来状态的一种预测，比如患者下一阶段的就诊序列，或者特定疾病或任务的风险。在本文中，临床输出为患者入院死亡风险。常用的方法是利用机器学习或者深度学习的手段，对患者的就诊序列进行建模，学习患者的临床就诊嵌入，并利用这个嵌入进行最后的预测任务。但是现有的方法还存在两大问题：
1、如何评估不规则的就诊时间间隔对预测结果影响。
在患者的EMR数据中，每次就诊之间的时间间隔并不是规律的，因为患者一般是身体不舒服了才会去医院进行就诊，所以可能这两次就诊之间只隔了几个星期，下一次就诊却隔了好几