基于FT-LSTM模型的临床事件诊断序列预测研究

作者：王露潼; 王红; 宋永强; 王倩

来源：计算机应用研究, 2020, (10): 2961-2965+2970.

DOI：10.19734/j.issn.1001-3695.2019.04.0192

• 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 electronic medical record(EMR)
• long short-term memory neural network(LSTM)
• word vector representation
• medical concept
• time interval

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。

• 单位
  山东师范大学