Autoencoder sparsi a isole temporali per interpretare modelli di serie temporali cliniche

Abstract degli autori

I modelli di deep learning per le cartelle cliniche elettroniche raggiungono prestazioni predittive elevate, ma offrono pochi indizi sui concetti clinici che rappresentano al loro interno. I metodi di attribuzione a posteriori producono punteggi di importanza per singola cella, privi di coerenza temporale, struttura tra variabili e riutilizzabilità tra pazienti. Presentiamo il Temporal Island Sparse Autoencoder (TI-SAE), che apprende un dizionario di concetti clinici specifico per il backbone e condiviso tra i pazienti, a partire dalle rappresentazioni di un modello predittivo congelato. Ogni voce del dizionario (latente) è definita da isole gaussiane temporali apprese (che specificano quando il concetto è attivo) e da un vettore sparso di composizione delle variabili (che specifica quali variabili sono coinvolte). Un selettore disaccoppiato individua quindi quali voci del dizionario determinano la previsione per ciascun paziente, separando l’apprendimento delle rappresentazioni dall’attribuzione. Valutiamo TI-SAE su cinque architetture di backbone, che comprendono diverse strategie di rappresentazione, usando MIMIC-III e MIMIC-IV (tre compiti di previsione ciascuno). TI-SAE produce concetti clinici strutturati che vanno oltre le mappe di calore transitorie dell’attribuzione, ottenendo al contempo prestazioni elevate sui benchmark standard di fedeltà.