[论文解读] Finding Algebraic Structure of Care in Time: A Deep Learning Approach

Phuoc Nguyen, Truyen Tran+1 more|arXiv (Cornell University)|Nov 21, 2017

Machine Learning in Healthcare参考文献 11被引用 4

一句话总结

本文提出了一种深度学习模型，将疾病和治疗嵌入共享向量空间，以捕捉电子病历（EMR）中的多疾病-多治疗相互作用。通过使用长短期记忆（LSTM）网络建模就诊序列，该方法在糖尿病和精神健康队列中实现了具有竞争力的曲线下面积（AUC）得分（最高达0.73），证明了对医疗实体进行代数操作在风险预测中的价值。

ABSTRACT

Understanding the latent processes from Electronic Medical Records could be a game changer in modern healthcare. However, the processes are complex due to the interaction between at least three dynamic components: the illness, the care and the recording practice. Existing methods are inadequate in capturing the dynamic structure of care. We propose an end-to-end model that reads medical record and predicts future risk. The model adopts the algebraic view in that discrete medical objects are embedded into continuous vectors lying in the same space. The bag of disease and comorbidities recorded at each hospital visit are modeled as function of sets. The same holds for the bag of treatments. The interaction between diseases and treatments at a visit is modeled as the residual of the diseases minus the treatments. Finally, the health trajectory, which is a sequence of visits, is modeled using a recurrent neural network. We report preliminary results on chronic diseases - diabetes and mental health - for predicting unplanned readmission.

研究动机与目标

• 建模电子病历（EMR）中疾病、诊疗与数据记录之间的动态交互关系。
• 将疾病和治疗表示为共享空间中的连续向量，以实现对医疗实体的代数操作。
• 使用端到端的深度学习框架预测未来风险（如非计划再入院），无需人工特征工程。
• 探究通过向量差值建模诊疗进展是否能提升随时间推移的预测性能。

提出的方法

• 使用学习得到的嵌入将疾病和治疗映射到共享的连续向量空间。
• 通过可微分的集合函数表示疾病和治疗的集合，该函数计算向量的修正和并归一化为单位长度。
• 将一次就诊中疾病与治疗的交互作用建模为残差：疾病向量减去治疗向量，以捕捉诊疗效应。
• 使用长短期记忆（LSTM）网络处理就诊表示序列，以建模纵向健康轨迹。
• 使用二元交叉熵损失函数，端到端训练模型以预测未来风险（如非计划再入院）。
• 包含进展信息的变体在糖尿病数据上表现更优，表明时间动态信息对预测具有重要意义。

实验结果

研究问题

• RQ1 对嵌入的医疗实体（如疾病和治疗向量）进行代数运算，能否有效建模电子病历中的多疾病-多治疗相互作用？
• RQ2 与标准方法相比，通过疾病和治疗向量的残差建模如何提升风险预测性能？
• RQ3 将进展信息（定义为疾病与治疗向量的差值）纳入模型，是否能随时间推移提升预测性能？
• RQ4 端到端训练的深度学习模型在原始EMR数据上能否超越传统基线模型，实现非计划再入院的预测？
• RQ5 医疗实体的连续向量表示在多大程度上能够实现对慢性病轨迹的可解释且泛化性强的建模？

主要发现

• 多疾病-多治疗（MDMTP）模型在糖尿病数据上AUC达到0.718，在精神健康数据上达到0.726，优于基线方法。
• 包含进展信息的MDMTP+LSTM变体在糖尿病数据上AUC为0.701，在精神健康数据上为0.730，表明建模进展动态可提升性能。
• 该模型在精神健康预测方面与强基线方法（如BoW+LR和Deepr）相比表现具有竞争力。
• 疾病状态轨迹的可视化显示了明显模式：高风险患者表现出疾病状态随时间恶化，而低风险患者则保持稳定。
• 端到端架构使模型能够对遥远的风险因素进行责任分配，相比不可微分模型提升了可解释性。
• 代数视角通过向量减法直观地实现了疾病-治疗相互作用的建模，表明其在临床推理中具有广阔前景。