当前位置:   article > 正文

Predicting healthcare trajectories from medical records: A deep learning approach(从医疗记录预测医疗保健轨迹:深度学习...

healthcare prediction 深度学习

摘要

  个性化预测医学需要对患者疾病和护理过程进行建模,该过程本身具有长期的时间依赖性。储存在电子医疗记录中的医疗观察是零散的,不规则的。我们介绍DeepCare(一种端到端的深层动态神经网络),可以读取医疗记录,存储先前的疾病史,推测目前的疾病状态,并预测未来的医疗结果。在数据级别,DeepCare通过历史记录将护理事件作为向量,对患者健康状态轨迹建模。建立在LSTM上,DeepCare介绍了通过调节内存的获取和整合来处理不定期定时事件的方法。 DeepCare还明确地建立了改变疾病过程并塑造未来医疗风险的医疗干预措施。随着健康状态的上升,历史的和预测的健康状态通过多尺度时间池进行聚合,然后通过估计未来结果的神经网络。我们展示了DeepCare对疾病进展的建模,干预推荐和未来风险预测的疗效。在两个重要的社会经济负担的群体 - 糖尿病和精神病 ,此结果表明:提高了预测精度。

1.介绍

  当病人进入医院时,有两个常见问题:“发生了什么事情”和“接下来会发生什么”?第一个问题是关于疾病诊断,第二个问题是关于预测未来的医疗风险。 虽然有各种各样的诊断工具来回答第一个问题,但较少的技术解决了第二个问题。 传统上,预兆的问题可能由经验丰富的临床医生解决,或者通过具有明确危险因素的临床预测模型。 但是这两种方法都是昂贵的,可用性受到限制。现代电子医疗记录(EMR)快速、便宜, EMR包含医院就医,诊断,干预,实验室检查和临床评估的历史。 EMR的广泛应用导致最近的研究从这个丰富的数据源构建预测模型。

  有效的建模必须解决四个公开的挑战:(i)长期依靠医疗保健:未来的疾病和护理可能严重依赖于病史和干预。例如,中年糖尿病的发病仍然是一个人余生中的危险因素;癌症可能复发多次;以前的手术可能会阻止某些未来的干预措施。 (ii)表示录入信息:录入事件包括一个包含诊断和干预措施的可变大小的离散集。 (iii)零散记录和不规律的时间:医疗记录长度差异很大,本质上是偶发性的,不规则的。数据是偶发的,因为只有当患者访问医院并进行护理时才记录。这一事件通常在短期内,通常从一天到两周不等。到达的时间大部分是随机的。 (iv)疾病进展与干预措施之间的相互作用的混杂。

  我们解决构建一个端对端和通用的预测系统的四个挑战,以便将其部署在不同医院的EMR实施中。 端到端系统需要最小化特征工程(甚至没有),阅读医疗记录,推测现在的疾病状态并预测未来的结果。

  现有的方法很复杂。 他们模型不定长度并忽略长期依赖。 基于马尔科夫假设的时间模型仅限于模拟时间不规则,没有记忆,因此,由于无关的情节,他们可能完全忘记以前的重大疾病。 深度学习在这些领域,如语音识别,视觉和计算语言学,在构建端到端系统方面具有很大的潜力。 然而,使用深度学习医疗保健工作的工作很少。 在深度学习工作的同时,为应对长期依赖的挑战,另外三个挑战依然未解决。

  为此,我们引入了DeepCare,一种端到端的深层动态记忆神经网络,解决了上述四个挑战。 DeepCare建立在LSTM的基础之上,这是一种配备记忆体细胞来存储历史的循环神经网络。在每个时间步长,LSTM读取一个输入,更新存储单元,并返回一个输出。存储器通过一个忘记的门来维护,这个门可以缓和从一个时间点到另一个时间段的内存传递,并通过在每个时间步长看到新的输入来更新内存。输出由存储器确定并由输出门调节。在DeepCare中,LSTM模拟病人的病情轨迹和医疗流程,包含在时间戳入院顺序中.LSTM的输入是从入院提取的信息。输入是入院时的疾病状态。内存维护可以捕获长期的依赖关系,从而解决第一个挑战。事实上,这种能力使得LSTM成为各种时间序列领域的理想模式。

  解决其他三个问题,DeepCare将C-LSTM作为标准LSTM单元的扩展(图1)。 为了表示信息录入,其是不同类型的一组离散元素,例如诊断和干预,解决方案是将这些元素嵌入到连续向量空间中。 然后将相同类型的向量合并到单个向量中。 类型特定的合并向量被连接以表示录入信息。以这种方式,可变大小的入口被嵌入到连续分布向量空间中。 然后,接纳向量作为C-LSTM的输入特征。 随着从数据中学习嵌入,该模型不依赖于手动特征工程。

   对于不规律的时间,忘记门扩展为连续时间步长之间的不规则时间间隔的函数。 我们引入两个新的遗忘机制:单调衰变和全时参数化。 在人类学习新概念时,这种衰变模仿了自然遗忘。 参数化考虑了不同疾病随时间变化的动态变化。 所得到的模型在时间上是稀疏的,并且有效地计算,因为只有观察到的记录被并入,而不管不规则的时间间隔。 最后,在DeepCare中,疾病进展与干预措施之间的混杂相互作用模型如下:干预措施影响当前疾病状态的输出门和温和日后记忆的忘记门。 因此,疾病状态(产出)由过去和现在的干预措施调节。

 

3.1模型概观

  DeepCare(见图1)是一个深层动态神经网络,具有三个主要层面。 底层建立在C-LSTM上,其记忆单元被修改以处理不规则的时间和干预,标准LSTM单元中看不到容量。更具体地说,输入是入院序列。 每个录入信息t包含一组诊断代码(然后将其形成为特征向量Xt),一组干预代码(进一步表示为特征向量)Pt,M是Xt与Pt的矢量维数,录入方法mt,△t是当前时间与上一时间的时间差。疾病状态h(t)由C-LSTM计算。中层聚合疾病状态是通过多尺度加权池化。顶层是一个神经网络,采用汇集状态和其他统计来估计最终结果概率。概率取决于产出的性质和统计结构的选择。例如,对于二元结果,P是逻辑函数; 对于多类结果,P是softmax函数; 对于持续的结果,P是高斯。 接下来,我们更详细地描述前两层。

 

 

 

 

 

3.4轨迹预测

  一旦建立了C-LSTM单元,在每个时间步骤中,计算隐藏的疾病状态Ht。 然后,各状态用于预测未来轨迹。 我们考虑三个任务:(1)下一步疾病进展,(2)干预推荐和(3)未来风险预后。 前两个任务涵盖短期预测(当前和接下来的入场),但第三个任务看起来远未来到任何地平线。

 3.4.1短程疾病进展

 

转载于:https://www.cnblogs.com/taoshiqian/p/7360693.html

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/我家自动化/article/detail/473517
推荐阅读
相关标签
  

闽ICP备14008679号