AAAIFeb, 2020

利用 EHR 中信息缺失的核在多变量时间序列中进行挖掘

PDF
TL;DR本研究提出了一种新的核方法，名为 TCK$_{IM}$，通过集成学习策略和新型混合贝叶斯混合模型，能够有效利用电子健康记录中的多变量时间序列的缺失数据，避免了插值方法的使用，具有无标签学习的鲁棒性。通过在三个真实世界的临床数据集上进行实验，证明了所提出核方法的有效性。
electronic health recordstime seriesmultivariate time seriesmissing dataensemble learning
发现论文，激发创造
  • 基于时间序列聚类核的多元时间序列缺失数据学习相似性

    该论文提出了一种称为强健时间序列簇核的方法，使用了高斯混合模型和信息先验分布来处理缺失数据，并采用集成学习方法来确保对参数的鲁棒性。实验结果表明，该方法对于参数的选择鲁棒，在处理缺失数据的情况下表现出色。

    Apr, 2017

  • IGNITE：时间序列电子健康记录的个体化填补生成

    我们提出了一个新的深度学习模型 IGNITE，利用条件双变分自编码器和双阶段注意力，在多元数据上学习了时间上的患者动态变化，生成个性化的真实值，根据个体的人口特征和治疗条件调节。我们进一步扩展了 IGNITE 的应用范围，从填补缺失值发展为个性化数据合成器，用于生成未曾观察到的缺失电子健康记录或者甚至生成新的患者，应用于各种应用中。我们在三个大型公开数据集上验证了我们的模型，并展示了 IGNITE 在缺失数据重建和任务预测方面优于现有方法。

    Jan, 2024

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 医疗时间序列的知识增强条件插补

    这项研究提出了一种新颖的方法来解决多元时间序列中缺失数据的挑战，特别关注医疗数据的复杂性。我们的条件自注意力填补模型（CSAI），基于变换器框架，引入了针对医学时间序列数据的条件隐藏状态初始化。此方法与传统填补技术不同之处在于专门针对医疗数据集中经常被忽视的缺失数据分布的不平衡进行调整。通过整合先进的知识嵌入和非均匀掩蔽策略，CSAI 能够灵活调整至电子病历中缺失数据的独特模式。

    Dec, 2023

  • 个体化表征中的时间序列电子健康记录缺失理解

    研究介绍了对于个性化医学中的缺失表示和学习缺失模式的关注不足，提出了关于实际电子健康记录中缺失模式的新见解和影响，旨在实现真正个性化的预测建模。

    Feb, 2024

  • 利用非规则多模态电子病历建模改进医疗预测

    本论文通过手工建模和学习内插嵌入，采用分离机制建模不规则的时间序列；采用时间注意力机制，将临床记录的一系列表示为多元不规则时间序列，并采用交织注意机制跨时间步骤进行多模态融合，以整合多模态表示。结果表明，我们提出的方法在单一模态和多模态情景下都优于现有方法，说明了我们方法的有效性和模拟不规则性的价值。

    Oct, 2022

  • 医学黑暗物质中隐藏着什么？在医疗实践中学习丢失的数据

    研究聚焦于统计方法和机器学习进行缺失数据理解、解释和数据填充，基于儿科急诊数据和英国最大的创伤伤害数据库的数据，研究发现缺失数据非随机，与医疗专业实践模式相关性高，得出使用 1 近邻（1NN）填充方法最佳，表明了临床决策常见的模式。

    Feb, 2024

  • 不规则采样的医学时间序列数据的深度学习方法综述

    本文综述了基于缺失数据和原始数据的深度学习方法在电子健康记录中的应用，总结了这些方法在数据恢复和下游任务方面的表现，并在四个医学数据集上比较了它们的效果。

    Oct, 2020

  • 非规则医疗时间序列的时间聚类不变性

    本研究基于数据时间聚类的不变性，提出了分析多变量临床时间序列数据的模型以及一种数据扩充技术方案，用于规范化深度神经网络中医学预测任务，该方法以评估医疗预测任务为基准，提高了其预测精度。

    Apr, 2019

  • TimEHR：基于图像的电子健康档案时间序列生成

    提出了一种基于生成对抗网络的新颖生成模型 TimEHR，该模型将时间序列数据视为图像，并基于两个条件生成对抗网络，第一个生成对抗网络生成缺失模式，第二个生成对抗网络生成基于缺失模式的时间序列值。三个真实世界的电子健康记录数据集上的实验结果表明，TimEHR 在保真度、实用性和隐私指标方面优于现有方法。

    Feb, 2024