We present a personalized and reliable prediction model for healthcare, which can provide individually tailored medical services such as diagnosis, disease treatment, and prevention. Our proposed framework targets at making personalized and reliable predictions from time-series data, such as Electronic Health Records (EHR), by modeling two complementary components: i) a shared component that captures global trend across diverse patients and ii) a patient-specific component that models idiosyncratic variability for each patient. To this end, we propose a composite model of a deep neural network to learn complex global trends from the large number of patients, and Gaussian Processes (GP) to probabilistically model individual time-series given relatively small number of visits per patient. We evaluate our model on diverse and heterogeneous tasks from EHR datasets and show practical advantages over standard time-series deep models such as pure Recurrent Neural Network (RNN).
우리는 질병의 진단, 치료 및 예방 등의 헬스케어 분야에서 정밀 의료 서비스를 제공할 수 있는 신뢰 가능하고 개인화된 예측 모델을 제안한다. 우리가 제안하는 모델은 전자의무기록과 같은 시계열 데이터에서 두 가지 상호 보완적인 모델을 통해 신뢰 가능하고 개인화된 예측을 제공하는 것을 목표로 한다: 해당 모델은 i) 다양한 환자 데이터에서 전역적인 패턴을 파악하는 공유 모델, 그리고 ii) 개별 환자 고유의 지역적 패턴을 파악하는 개인화된 모델로 구성된다. 이를 위해 우리는 공유 모델로서 많은 수의 환자 데이터를 통해 복잡한 패턴을 파악할 수 있는 심층 신경망 모델, 그리고 비교적 적은 수의 환자 개별의 데이터에서 신뢰 가능하 고 확률적인 모델링을 할 수 있는 가우시안 프로세스의 혼합 모델을 제안한다. 우리는 다양하고 이질적인 실제 전자의무기록 데이터 셋을 활용하여 순환 인공 신경망과 같은 딥러닝 기반의 최신 기술의 모델들과 비교함으로써 우리 모델의 실용적인 이점을 실험적으로 입증하였다.
