BACKGROUND Electronic health records (EHRs) provide possibilities to improve patient care and facilitate clinical research. However, there are many challenges faced by the applications of EHRs, such as temporality, high dimensionality, sparseness, noise, random error and systematic bias. In particular, temporal information is difficult to effectively use by traditional machine learning methods while the sequential information of EHRs is very useful. METHOD In this paper, we propose a general-purpose patient representation learning approach to summarize sequential EHRs. Specifically, a recurrent neural network based denoising autoencoder (RNN-DAE) is employed to encode inhospital records of each patient into a low dimensional dense vector. RESULTS Based on EHR data collected from Shuguang Hospital affiliated to Shanghai University of Traditional Chinese Medicine, we experimentally evaluate our proposed RNN-DAE method on both mortality prediction task and comorbidity prediction task. Extensive experimental results show that our proposed RNN-DAE method outperforms existing methods. In addition, we apply the "Deep Feature" represented by our proposed RNN-DAE method to track similar patients with t-SNE, which also achieves some interesting observations. CONCLUSION We propose an effective unsupervised RNN-DAE method to summarize patient sequential information in EHR data. Our proposed RNN-DAE method is useful on both mortality prediction task and comorbidity prediction task.

中文翻译：

---

电子健康记录中临床时间序列预测任务的表示学习。

背景技术电子健康记录（EHR）提供了改善患者护理并促进临床研究的可能性。但是，EHR的应用面临许多挑战，例如时间性，高维性，稀疏性，噪声，随机误差和系统性偏差。特别是，时间信息很难通过传统的机器学习方法有效地使用，而EHR的顺序信息非常有用。方法在本文中，我们提出了一种通用的患者表征学习方法，以总结顺序的EHR。具体而言，采用基于递归神经网络的降噪自动编码器（RNN-DAE）将每个患者的住院记录编码为低维密集向量。结果基于从上海中医药大学附属曙光医院收集的EHR数据，我们在死亡率预测任务和合并症预测任务上对所提出的RNN-DAE方法进行了实验评估。大量的实验结果表明，我们提出的RNN-DAE方法优于现有方法。此外，我们应用了由我们提出的RNN-DAE方法代表的“深度特征”来跟踪类似的t-SNE患者，这也获得了一些有趣的观察结果。结论我们提出了一种有效的无监督RNN-DAE方法来总结EHR数据中的患者顺序信息。我们提出的RNN-DAE方法可用于死亡率预测任务和合并症预测任务。我们通过实验评估了我们提出的RNN-DAE方法在死亡率预测任务和合并症预测任务上的作用。大量的实验结果表明，我们提出的RNN-DAE方法优于现有方法。此外，我们应用了由我们提出的RNN-DAE方法代表的“深度特征”来跟踪类似的t-SNE患者，这也获得了一些有趣的观察结果。结论我们提出了一种有效的无监督RNN-DAE方法来总结EHR数据中的患者顺序信息。我们提出的RNN-DAE方法可用于死亡率预测任务和合并症预测任务。我们通过实验评估了我们提出的RNN-DAE方法在死亡率预测任务和合并症预测任务上的作用。大量的实验结果表明，我们提出的RNN-DAE方法优于现有方法。此外，我们应用了由我们提出的RNN-DAE方法代表的“深度特征”来跟踪类似的t-SNE患者，这也获得了一些有趣的观察结果。结论我们提出了一种有效的无监督RNN-DAE方法来总结EHR数据中的患者顺序信息。我们提出的RNN-DAE方法可用于死亡率预测任务和合并症预测任务。以我们提出的RNN-DAE方法为代表，可以追踪类似的t-SNE患者，这也获得了一些有趣的观察结果。结论我们提出了一种有效的无监督RNN-DAE方法来总结EHR数据中的患者顺序信息。我们提出的RNN-DAE方法可用于死亡率预测任务和合并症预测任务。以我们提出的RNN-DAE方法为代表，可以追踪类似的t-SNE患者，这也获得了一些有趣的观察结果。结论我们提出了一种有效的无监督RNN-DAE方法来总结EHR数据中的患者顺序信息。我们提出的RNN-DAE方法可用于死亡率预测任务和合并症预测任务。