جايگذاري مقادير ازدست رفته در داده هاي سري زماني چندمتغيره براي پيش بيني مرگ ومير بيماران با رويكرد يادگيري عميق مبتني بر مكانيسم توجه

پرونده الكترونيك سلامت منبعي مهم براي جمع آوري داده هاي بيماران به حساب مي آيد، اما شامل مقادير زيادي از داده هاي ازدست رفته است. اگرچه روش هاي زيادي براي جايگذاري مقادير از دست رفته وجود دارد، اما بيشتر اين روش ها وابستگي زماني-ويژگي، توزيع داده و عدم قطعيت مقادير تخمين زده شده را ناديده مي گيرند. اخيرا، استفاده از چارچوب استنباط بيزين تغييراتي، شبكه رمزگذار متغير و مدل هاي مولد عميق براي درك فضاي نهفته در ساختارهاي پيچيده داده و به دنبال آن جايگذاري مقادير از دست رفته كارآمد و دقيق نشان داده شده است. در اين پژوهش، يك چارچوب كه تركيبي از جايگذاري مقادير از دست رفته و پيش بيني در داده هاي سري زماني است پيشنهاد مي شود. شبكه مولد عميق با يادگيري توزيع داده بعنوان تخمين مقادير از دست رفته و عدم اطمينان متناظر با داده هاي توليد شده پيشنهاد مي شود. همچنين از شبكه عصبي بازگشتي مجهز به مكانيسم توجه براي جمع آوري وابستگي هاي بلند مدت زماني در پيش بيني استفاده مي شود. اثربخشي روش پيشنهادي را با استفاده از دو مجموعه داده باليني در دنياي واقعي 2012 Challenge PhysioNet و III-MIMIC ارزيابي و نتايج آن را با ساير روش هاي رقابتي در ادبيات مقايسه كرديم.