(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach

论文：https://epubs.siam.org/doi/pdf/10.1137/1.9781611974348.49 或者 https://pan.baidu.com/s/1P0zot2skc7HPTY4ZVpU-6w

机构： IBM

表示方式：
从电子病历记录EHR中提取特征的挑战：High-Dimensionality, Temporality, Sparsity, Irregularity, Bias.
电子病历记录EHR的表示方式：

Vector Based Representaion
这种表示方法将每个病人表示成一个向量。它的维度等于出现在EHR中的疾病个数，各维度上的值为对应疾病的统计量（比如总和，平均值，最大值，最小值等）。这种表示方式相当于各个疾病表示的线性组合。缺点是它忽略了就诊之间的时间关系。
Tensor Based Representation
这种表示方法将每个病人表示成一个张量。张量的每个维度代表一种类型的实体，比如病人、药物或疾病，值为不同就诊事件下统计量。这种表示方法挖掘了不同医疗实体间的关系，缺点是忽略了就诊之间的时间关系。
Sequence Based Representation
这种表示方法将每个病人表示成一个序列。按照每次就诊的时间，排列成一个序列。
Temporal Matrix Based Representation
这种表示方法将每个病人表示成矩阵，一个维度对应时间，一个维度对应疾病。

本文中采用的是Temporal Matrix Based Representation。

模型：

本文使用 CNN 来自动提取特征，但不能直接使用标准的 CNN 。原因：（1）疾病之间的位置是无意义的；（2）各个病人的矩阵表示在时间维度上大小不同；（3）就诊事件之间是连续的，不能断裂。

基本模型 Basic Model，也就是标准流程：one-side convolution operation + pooling + fully connected layer + softmax

论文中，采用把数据拆分成一些固定大小的 sub-frames，然后再融合的方式。
Single Frame : 把所有数据当做一个frame，然后采用上述基本模型，区别是增加了一个归一化层 normalization layer。
Temporal Early Fusion : 在最开始特征提取阶段就进行信息融合。更改基本模型中的卷积操作，将其拓展到所有 sub-frame 上。
Temporal Late Fusion : 在最后的全连接层进行融合。
Temporal Slow Fusion : 结合了early fusion 和 late fusion，在最开始的卷积层和最后的全连接层都进行融合。

BibTeX：

@inproceedings{DBLP:conf/sdm/ChengWZH16,author    = {Yu Cheng andFei Wang andPing Zhang andJianying Hu},title     = {Risk Prediction with Electronic Health Records: {A} Deep LearningApproach},booktitle = {Proceedings of the 2016 {SIAM} International Conference on Data Mining,Miami, Florida, USA, May 5-7, 2016},pages     = {432--440},year      = {2016},url       = {https://doi.org/10.1137/1.9781611974348.49},doi       = {10.1137/1.9781611974348.49},timestamp = {Tue, 05 Mar 2019 15:30:10 +0100},biburl    = {https://dblp.org/rec/bib/conf/sdm/ChengWZH16},bibsource = {dblp computer science bibliography, https://dblp.org}
}

(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach相关推荐

An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records
无监督从电子健康病例预测患者未来的健康摘要电子健康记录(EHR)的二次使用有望推动临床研究的发展和改善告知临床决策.汇总和表示患者数据方面的挑战阻止了使用EHR进行预测建模的广泛实践.在这里,我们 ...
解读《A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome》
全文名称:A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Us ...
MiME: Multilevel Medical Embedding of Electronic Health Records for Predictive Healthcare
原文摘要使用电子病历的许多医学健康预测任务重,深度学习模型展示出了非常杰出的表现.但是这些模型大都需要大量的训练数据,以超过其他大多数医疗系统的能力.一些外部资源,比如医学本体,经常被用作桥接 ...
[论文阅读]使用深度学习方法预测蛋白质磷酸化位点DeepPhos: prediction of protein phosphorylation sites with deep learning（一）
文章目录摘要一.背景二.数据收集和预处理三.Deepphos框架和模型训练摘要这项研究中,文章提出了一种新颖的多层CNN架构DeepPhos,以准确预测具有蛋白质序列信息的磷酸化位点.与之 ...
【论文导读】- E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction（动态网络链接预测）
文章目录论文信息摘要论文贡献问题定义动态网络动态网络链接预测 E-LSTM-D 框架 Encoder–Decoder结构 1. 编码器(Encoder) 2. 解码器(Decoder) 堆 ...
交通预测论文翻译：Deep Learning on Traffic Prediction: Methods,Analysis and Future Directions
原文链接:[2004.08555v3] Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions (ar ...
DF-TAR: A Deep Fusion Network for Citywide Traffic Accident Risk Prediction... 阅读笔记
再好的笔记也难以还原原文的精彩,看完笔记,记得阅读原文 DF-TAR: A Deep Fusion Network for Citywide Traffic Accident Risk Predict ...
Lung Cancer Recurrence Risk Prediction through Integrated Deep Learning Evaluation【AI 肺癌复发预测】详解
[利用深度学习评估预测肺癌复发风险:Lung Cancer Recurrence Risk Prediction through Integrated Deep Learning Evaluation ...
【兴趣阅读】DeepInf: Social Influence Prediction with Deep Learning
文章目录 1. 论文阅读 1.1. 前言 1.2. 阅读笔记 1.2.1 研究点的引出 1.2.2 相关工作 1.2.3 社交影响 1.2.3.1 r-neighbors 1.2.3.2 Social ...

(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach

(2016SDM) Risk Prediction with Electronic Health Records A Deep Learning Approach相关推荐

最新文章

热门文章