随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续...随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续模型训练提供信息丰富的数据表征基础。本文设计一种高效的二阶段预测模型,用于解决重疾预测中存在的时效与成本等问题。该模型的第一阶段对病例样本进行粗粒度预测,将危重程度低的病例进行疾病初筛,起到提前分流病人的作用;第二阶段模型则基于第一阶段的粗滤结果,对潜在的危重病例进行更细粒度的预测。通过实验验证,经过异质属性融合处理后,在选择前6个时间点构造非时序模型时,二阶段模型可以较好地兼具疾病初筛以及疾病预测的效果。展开更多
文摘随着电子健康记录(Electronic Health Record,EHR)的出现与广泛应用,基于EHR数据的预测模型可以起到早期检测和干预疾病的作用。异质属性在EHR数据中普遍存在,但是难以做到深度利用,因此可通过对数据样本进行异质属性融合的方法,为后续模型训练提供信息丰富的数据表征基础。本文设计一种高效的二阶段预测模型,用于解决重疾预测中存在的时效与成本等问题。该模型的第一阶段对病例样本进行粗粒度预测,将危重程度低的病例进行疾病初筛,起到提前分流病人的作用;第二阶段模型则基于第一阶段的粗滤结果,对潜在的危重病例进行更细粒度的预测。通过实验验证,经过异质属性融合处理后,在选择前6个时间点构造非时序模型时,二阶段模型可以较好地兼具疾病初筛以及疾病预测的效果。