半监督的PARAFAC2分解用于使用电子健康记录进行计算表型化

科学领域:

• 计算健康信息学 计算健康信息学
• 在医学领域的数据挖掘和机器学习.
• 生物医学数据科学是生物医学数据科学.

背景情况:

• 计算型表型利用数据挖掘从电子健康记录 (EHR) 中提取临床模式 (表型).
• 张量因子化是用于在EHR数据中提取模式的流行的技术.
• 现有的方法主要使用正则张量和无监督学习,忽视了EHR的不规则性和可用的标签信息.

研究的目的:

• 开发一种新的计算表型化方法,解决现有技术的局限性.
• 为不规则的EHR数据提出一个半监督的PARAFAC2分解模型.
• 将可用的标签信息整合到张量分解中,以增强表型提取.

主要方法:

• 开发了一种半监督的PARAFAC2分解模型,适用于EHR数据中常见的不规则张量结构.
• 嵌入了来自实例子集的标签信息,以指导分解过程.
• 使用合成数据集和使用MIMIC-IV数据的现实世界案例研究来评估模型.

主要成果:

• 拟议的半监督模型与现有的基准方法相比,表现优越.
• 从不规则的EHR数据中成功地提取了有意义的模式和表型.
• 该方法有效地利用有限的标签信息来提高分解精度.

结论:

• 新的半监督PARAFAC2分解模型提供了一种有效的方法,用于使用不规则EHR数据进行计算表型化.
• 整合标签信息增强了有意义的表型的提取,优于无监督的方法.
• 这种方法有可能在各种医疗保健应用中显著帮助医疗决策.