[paper]Interpretable Representation Learning for Healthcare via Capturing Disease Progression

加入时间衰退因子以及注意力机制的时间序列的病情诊断预测。预测下一次住院就诊的病情的主要类型。

通过电子病历查看病人检查情况，根据不同症状出现的不同时间加入注意力机制，长记忆的权重不一定比短时间的权重低，根据症状的不同对当前病情产生的不同影响来确定权重（是否采用知识图谱或是其他方法？）

数据的无序性是如何体现的？

1.基本思想：

对于慢性病的注意力权重高于急性症状的注意力权重。

2.DATASET:

SEERMedicare Medical claim  161,366 确诊乳腺癌的老年人（2000-2010）

3.FRAMEWORK:

1）将无序的原始数据转换成连续的向量空间；

c->e 将无序的医学代码转换到连续的向量空间中。e是M维的向量，v是访问者的M维的向量表示；

2）在连续向量空间中加入注意力机制；

根据的是文本的上下文信息采用注意力机制。

q:c的序列向量；k:关键向量；a:注意力机制的权重值。

g:每个患者对应病情的权重分布。

病情随时间变化的函数：

上述公式表示，δ（cn，Δt）表示在Δt之前诊断出的疾病cn如何在预测时影响患者状况。

采用BiLSTM: