جایگذاری مقادیر ازدست رفته در داده های سری زمانی چندمتغیره برای پیش بینی مرگ ومیر بیماران با رویکرد یادگیری عمیق مبتنی بر مکانیسم توجه

پرونده الکترونیک سلامت منبعی مهم برای جمع آوری داده های بیماران به حساب می آید، اما شامل مقادیر زیادی از داده های ازدست رفته است. اگرچه روش های زیادی برای جایگذاری مقادیر از دست رفته وجود دارد، اما بیشتر این روش ها وابستگی زمانی-ویژگی، توزیع داده و عدم قطعیت مقادیر تخمین زده شده را نادیده می گیرند. اخیرا، استفاده از چارچوب استنباط بیزین تغییراتی، شبکه رمزگذار متغیر و مدل های مولد عمیق برای درک فضای نهفته در ساختارهای پیچیده داده و به دنبال آن جایگذاری مقادیر از دست رفته کارآمد و دقیق نشان داده شده است. در این پژوهش، یک چارچوب که ترکیبی از جایگذاری مقادیر از دست رفته و پیش بینی در داده های سری زمانی است پیشنهاد می شود. شبکه مولد عمیق با یادگیری توزیع داده بعنوان تخمین مقادیر از دست رفته و عدم اطمینان متناظر با داده های تولید شده پیشنهاد می شود. همچنین از شبکه عصبی بازگشتی مجهز به مکانیسم توجه برای جمع آوری وابستگی های بلند مدت زمانی در پیش بینی استفاده می شود. اثربخشی روش پیشنهادی را با استفاده از دو مجموعه داده بالینی در دنیای واقعی 2012 challenge physionet و iii-mimic ارزیابی و نتایج آن را با سایر روش های رقابتی در ادبیات مقایسه کردیم.