CSAI:医疗保健时间序列的有条件自我关注推算

科学领域:

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

背景情况:

• 电子健康记录 (EHR) 生成复杂的多变量时间序列数据.
• 缺少的数据是EHR时间序列中的一个重大挑战,影响分析和模型性能.
• 现有的归算方法往往无法捕捉临床数据的独特特征.

研究的目的:

• 引入条件自我注意推算 (CSAI) 模型,这是一种用于EHR时间序列推算的新型循环神经网络.
• 通过结合EHR特定特征来解决当前归算技术的局限性.
• 提高部分观察到的EHR数据集数据恢复的准确性和可靠性.

主要方法:

• 开发了CSAI,一种循环神经网络,包含基于注意力的隐藏状态初始化.
• 实现了基于域的时间衰变,以反映临床记录模式.
• 使用非统一的掩盖策略来模拟EHR数据中的非随机缺失.
• 在四个基准EHR数据集上评估了CSAI.

主要成果:

• 与最先进的架构相比,CSAI在数据恢复方面表现出卓越的性能.
• 该模型在使用归算EHR数据的下游任务中显示出有效性.
• 评估证实了CSAI处理长期和短期时间依赖以及非随机失踪的能力.

结论:

• 在基于神经网络的EHR数据归算方面,CSAI提供了显著的进步.
• 该模型的设计使算法归因与临床现实更加紧密地对齐.
• 在开源的PyPOTS工具箱中提供了CSAI,使其在时间序列分析中的应用更加容易.