基于多任务异构图学习的电子健康记录
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了电子健康记录(EHR)分析中任务单一性带来的问题，提出了一种新的MulT-EHR框架，该框架利用异构图挖掘复杂关系并建模EHR的异构性。研究表明，该方法在药物推荐、住院时长、死亡率和再入院预测等四个任务中均优于现有的最新设计，具有良好的通用性和鲁棒性。
电子健康记录（EHR）是大数据和数字医疗领域的重要信息来源，机器学习模型可用于分析EHR数据以预测患者未来健康状况。研究提出了一种名为AutoDP的自动化方法，能够同时搜索任务组合和架构的最佳配置，有效改进了预测性能。实验结果表明AutoDP框架在性能和搜索成本方面都有显著改进。
