一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法
原文中文,约200字,阅读约需1分钟。发表于: 。通过知识蒸馏和约束变分推断,我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型,学习可解释的隐层表示,以实现对脓毒症预测结果的高准确性。
本文介绍了一种可伸缩的端到端分类器,用于预测败血症发作。该分类器使用生理时间序列和药物数据,并能在真实临床数据中工作。通过使用多元高斯过程模型和回归神经网络,该分类器在医院数据中表现优于新闻评分,改进了19.4%和55.5%。