Hacia una predicción confiable: un enfoque de aprendizaje continuo bayesiano para datos de series de tiempo clínicas

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Informática biomédica

Sus antecedentes:

• Los modelos de aprendizaje profundo luchan con la generalización en los datos de series de tiempo clínicas.
• El aprendizaje continuo ofrece una solución prometedora al preservar las representaciones mientras se adapta a nuevas distribuciones de datos.

Objetivo del estudio:

• Proponer y evaluar el algoritmo de memoria bayesiana continua a corto plazo (C-BLSTM) para el aprendizaje incremental de dominio en entornos clínicos.
• Mejorar las capacidades de generalización de los modelos de aprendizaje profundo para la predicción de series temporales utilizando datos de registros médicos electrónicos.

Principales métodos:

• Desarrolló C-BLSTM, un algoritmo de aprendizaje continuo que integra la poda arquitectónica, la regularización basada en inferencia variacional y la repetición del núcleo.
• C-BLSTM evaluado en conjuntos de datos de registros médicos electrónicos públicos para la predicción de la mortalidad.
• C-BLSTM aplicado a conjuntos de datos del mundo real para predecir el riesgo de readmisión de insuficiencia cardíaca y los resultados de la hemoglobina glicada en la diabetes tipo 2.

Principales resultados:

• C-BLSTM demostró un rendimiento superior en comparación con los métodos de aprendizaje continuo de última generación en las tareas de predicción de la mortalidad.
• El algoritmo abordó efectivamente las características incrementales del dominio, incluidas las derivaciones de distribución condicional marginales y moderadas significativas.
• C-BLSTM mejoró la generalización a través de cinco diversos escenarios del mundo real: cambios temporales, de sitio, de dispositivo, de mezcla de casos y de etnia.

Conclusiones:

• C-BLSTM mejora significativamente la generalización y la fiabilidad de la predicción para los datos de series de tiempo clínicas.
• El método propuesto ofrece una solución robusta para el aprendizaje incremental de dominio en aplicaciones de atención médica.
• C-BLSTM es prometedor para mejorar el modelado predictivo en entornos clínicos dinámicos.