多任务深度神经网络用于不规则采样的多变量临床时间序列.

科学领域:

• 生物医学信息学 生物医学信息学
• 机器学习 机器学习
• 临床数据科学 临床数据科学

背景情况:

• 电子健康记录 (EHR) 中的临床时间序列数据通常不规则,缺失值和时间间隔不同.
• 目前的深度学习方法使用循环神经网络和时间衰减来单独归算和预测,从而限制了整体性能.

研究的目的:

• 开发一个多任务深度神经网络,同时对临床时间序列数据进行归算和风险预测.
• 为了提高缺少的电子健康记录数据的归算和医院死亡率的预测的准确性.

主要方法:

• 设计了一种新的多任务深度神经网络架构,将归算作为风险预测的辅助任务.
• 该模型结合了时间衰减机制,以有效地处理临床数据中的可变时间间隔.
• 在两个公共的EHR数据库上进行了验证,用于临床时间序列归算和住院死亡率预测.

主要成果:

• 拟议的深度归算预测网络在归算和预测任务中显著超过了最先进的方法.
• 实验结果证明了时间衰变机制在实现卓越性能方面发挥的关键作用.
• 与顺序方法相比,同步方法产生了更准确的归算和预测结果.

结论:

• 新的深度归算预测网络为EHR数据分析提供了更高的准确性.
• 通过时间衰变机制增强的同时多任务学习是临床时间序列建模的一个有希望的方向.
• 未来的研究应该探索先进的时间衰变机制,以进一步提高多任务学习的性能.