基于深度学习的异构时序事件患者数据表示学习框架

摘要

患者数据的表示学习可以将患者历史信息综合表达为一个向量,用于预测未来可能发生的疾病.患者的历史记录可以被建模为多来源数据构成的采样频率差异很大、包含非线性时序关系的异构时序事件.提出了一个新的异构事件长短期记忆表示学习框架,用于学习患者异构时序事件的联合表征.异构事件长短期记忆模型加入了一个可以控制事件访问频率的门,以对不同事件的不规则采样频率建模,同时抓住事件中的复杂时序依赖关系.真实临床数据的实验表明,该方法可以在一系列先进模型的基础上,提升死亡预测和异常实验结果预测的准确度.