MULTIPAR:监督不规则张量因子化与多任务学习用于计算表型化

科学领域:

• 计算生物学是一种计算生物学.
• 数据科学是数据科学.
• 医疗信息学医学信息学

背景情况:

• 像PARAFAC2这样的张量分解方法用于电子健康记录 (EHR) 挖掘,但与不规则的数据和有限的可预测性作斗争.
• 现有的EHR分析模型缺乏令人满意的解释性和预测能力,阻碍了它们的临床应用.

研究的目的:

• 引入MULTIPAR,一种监督的不规则张量因子化技术,包含多任务学习,以改进计算表型.
• 增强有意义的医学概念 (表型) 的提取,并提高EHR数据分析中的预测性能.

主要方法:

• 开发了MULTIPAR,这是一个使用多任务学习的监督不规则张量因子化模型.
• 将MULTIPAR应用于时间EHR数据集,包括静态和动态预测任务.
• 评估了模型可扩展性,张量适合性,表型可解释性和预测性能.

主要成果:

• MULTIPAR 证明了对现实世界时间 EHR 数据集的可扩展性.
• 拟议的方法实现了卓越的张量适合,并确定了更有意义的患者子组.
• 与最先进的方法相比,MULTIPAR显著提高了下游临床任务的预测性能.

结论:

• 通过将监督张量分解与多任务学习相结合,MULTIPAR提供了一种强大的计算表型化方法.
• 该方法提高了提取的表型的解释性和使用EHR数据进行预测建模的准确性.
• MULTIPAR代表了电子健康记录数据挖掘和临床决策支持的重大进步.