Wir präsentieren ein interpretierbares Framework namens inf2vec, das die Abhängigkeiten zwischen verschiedenen Ereignistypen direkt parametrisiert und end-to-end lernt, um Ereignissequenzen in elektronischen Gesundheitsakten zu modellieren.
SWoTTeD ist eine neue Tensorzerlegungsmethode, die zeitliche Phänotypen entdeckt, die als Muster über die Zeit hinweg dargestellt werden. Im Gegensatz zu herkömmlichen Methoden, die nur tägliche Phänotypen extrahieren, ermöglicht SWoTTeD die Extraktion von Phänotypen, die zeitliche Abhängigkeiten in den Patientendaten erfassen.