版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89520118
本文发布在arxiv 2019
基于电子病历(EHR)的临床结局预测对提高医疗质量起着至关重要的作用。传统的深度序列模型无法捕捉到长而不规则的临床事件序列中编码的丰富的时间模式。长时间尺度的临床事件表现出较强的时间模式，而短时间内的事件往往是无序的共现。因此，本文提出了不同时间尺度的临床事件模型的不同机制。本文提出的模型学习事件序列的层次表示，自适应地区分短期和长期事件，并准确地捕获核心时间依赖关系。实际临床数据的实验结果表明，我们的模型较以往的先进模型有了很大的改进，AUC评分分别为0.94分和0.90分，预测死亡和ICU入院情况，模型也成功识别出不同临床结局预测任务的重要事件。
本文使用MIMIC-III开放数据集，可以通过自适应地将事件序列分割成序列组来处理临床事件序列的时间不规则性。通过temporal attention 和event attention发现关键事件组以及每个组中的关键事件。这为准确预测提供了有用的临床见解。