基于FT-LSTM模型的临床事件诊断序列预测研究

• 作者: 宋永强 王倩 王红 王露潼
• 来源期刊: 计算机应用研究
• 关键词: 电子病历 长短期记忆神经网络 词向量表示 医学概念 可变时间间隔
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2961-2965,2970
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.04.0192

摘要

针对不同患者的临床数据信息难以得到合理表示,且事件之间时间间隔不同,从而导致预测困难等问题,提出一种基于词向量表示,并添加时控单元的时控长短期记忆神经网络(FT-LSTM)预测模型.首先通过FastText方法对医学事件进行可解释性的向量表示,用以更有效地捕获富含医学信息的概念关系;然后针对临床数据对时间戳有着强依赖性的现象,在原有LSTM模型的基础上设计时控门,以更好地捕获长短期信息,对事件信息进行建模,从而改善预测表现.在MIMIC-Ⅲ数据集上的实验结果表明,使用FT-LSTM模型预测的召回率、准确率皆高于多种对比模型,证明了该方法的有效性.