L3S Best Publication of the Quarter (1/2024)
Category: Time series modelling
IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers
Authors: Jingge Xiao, Leonie Basso, Wolfgang Nejdl, Niloy Ganguly and Sandipan Sikdar
Presented at the 38th Annual AAAI Conference on Artificial Intelligence (A* Conference)
https://ojs.aaai.org/index.php/AAAI/article/view/29534
Das Papier in Kürze:
In unserem Beitrag wird ein neuartiger Ansatz für die Analyse elektronischer Gesundheitsdaten (EHR) vorgestellt. Wir schlagen ein Modell vor, das Zeitreihendaten durch kontinuierliche Prozesse verarbeitet, die durch invertierbare neuronale Netze parametrisiert werden, was die Modellarchitektur vereinfacht und parallele Berechnungen ermöglicht. Diese Methode verbessert die Dateneffizienz und die Leistung des Modells.
Welches Problem lösen Sie mit Ihrer Forschung?
Wir befassen uns mit der Herausforderung der effizienten Verarbeitung von unregelmäßig erfassten Zeitreihendaten, die häufig in elektronischen Patientenakten vorkommen.
Welche potenziellen Auswirkungen haben Ihre Ergebnisse?
Die potenziellen Auswirkungen sind für die Gesundheitsbranche von Vorteil. Durch die Verbesserung der Effizienz und Genauigkeit der EHR-Datenanalyse kann unser Modell zu einer schnelleren Diagnose, einer besseren Patientenüberwachung und personalisierten Behandlungsplänen beitragen.
Was ist neu an Ihrer Forschung?
Die Neuheit liegt in der Verwendung von neuronalen Anfangswertproblemlösern innerhalb der Variations-Autoencoder-Architektur für die Modellierung von EHR-Zeitreihen. Dadurch wird nicht nur die Komplexität des Modells reduziert, sondern auch die Konvergenz beschleunigt, was zu modernsten Ergebnissen in Bezug auf Dateneffizienz und Leistung führt.
Xiao, J., Basso, L., Nejdl, W., Ganguly, N. and Sikdar, S. 2024. IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers. Proceedings of the AAAI Conference on Artificial Intelligence. 38, 14 (Mar. 2024), 16023-16031. DOI: https://doi.org/10.1609/aaai.v38i14.29534.
