时间监督对比学习用于建模患者风险进展
Shahriar Noroozizadeh1, Jeremy C Weiss2, George H Chen1
1Carnegie Mellon University, Pittsburgh, PA, USA.
Proceedings of machine learning research
|March 29, 2024
概括
这项研究引入了一种用于患者时间序列分析的新型监督对比学习框架. 该方法通过学习有意义的数据嵌入来准确预测患者的结果,并跟踪疾病的进展.
科学领域:
- 机器学习 机器学习
- 医疗信息学 医疗信息学
- 时间序列分析时间序列分析
背景情况:
- 随着时间的推移,预测患者的结果在医疗保健中至关重要.
- 现有的方法难以应对患者数据的动态性.
- 临床数据对标准机器学习技术提出了独特的挑战.
研究的目的:
- 为患者时间序列开发一种新的监督对比学习框架.
- 学习嵌入能够捕捉时间依赖和结果概率的表示.
- 提高预测患者结果和跟踪疾病进展的准确性.
主要方法:
- 提出了对患者时间序列的监督对比学习框架.
- 学习了嵌入式表示,其中类似的结果在空间上接近.
- 在原始功能空间中采用最近邻对配机制,作为数据增强的替代方案.
- 验证了预测败血症患者死亡率 (MIMIC-III) 和认知障碍进展 (ADNI) 的方法.
主要成果:
- 在预测死亡率和认知障碍进展方面表现优于最先进的基线.
- 成功地恢复了合成数据集嵌入结构,这是基线无法实现的壮举.
- 通过废弃性研究证明了最近邻居配对机制的关键作用.
结论:
- 拟议的框架有效地学习患者时间序列的嵌入,以预测结果.
- 最接近邻居配对是处理对比学习中的临床表格数据的重要组成部分.
- 这种方法为动态的患者结果预测和疾病跟踪提供了有希望的方向.
