Interpretable Predictive Models for Healthcare via Rational Logistic Regression

要約

ヘルスケア分野では、最近、特に電子医療記録 (EHR) の形式でデジタル データが急速に蓄積されています。
EHR は、IS 研究者が臨床応用 (罹患率予測など) に利用できる貴重なリソースを構成します。
この膨大なデータを活用するには、ディープ ラーニングが当然の選択肢のように思えます。
しかし、多くの研究で、ディープラーニングは EHR データでは他の領域ほどの成功を収めていないことが示されています。
ロジスティック回帰のような単純なモデルは、多くの場合、高度な深層学習モデルと同じくらい優れています。
この観察に触発されて、標準ロジスティック回帰 (LR) を特殊なケースとして持つ (したがって、EHR データと一致する LR の帰納的バイアスを継承する) 合理的ロジスティック回帰 (RLR) と呼ばれる新しいモデルを開発します。
RLR は理論的基礎として有理系列を持ち、縦方向の時系列データに取り組み、解釈可能なパターンを学習します。
現実世界の臨床タスクに関する経験的比較により、RLR の有効性が実証されています。

要約(オリジナル)

The healthcare sector has experienced a rapid accumulation of digital data recently, especially in the form of electronic health records (EHRs). EHRs constitute a precious resource that IS researchers could utilize for clinical applications (e.g., morbidity prediction). Deep learning seems like the obvious choice to exploit this surfeit of data. However, numerous studies have shown that deep learning does not enjoy the same kind of success on EHR data as it has in other domains; simple models like logistic regression are frequently as good as sophisticated deep learning ones. Inspired by this observation, we develop a novel model called rational logistic regression (RLR) that has standard logistic regression (LR) as its special case (and thus inherits LR’s inductive bias that aligns with EHR data). RLR has rational series as its theoretical underpinnings, works on longitudinal time-series data, and learns interpretable patterns. Empirical comparisons on real-world clinical tasks demonstrate RLR’s efficacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google