标题： 非平稳多变量高斯过程在电子健康记录中的应用 显示英文标题

标题： Nonstationary Multivariate Gaussian Processes for Electronic Health Records

摘要： 我们提出多变量非平稳高斯过程以联合建模多个临床变量，其中关键参数，长度尺度、标准差以及观测输出之间的相关性，都是时间相关的。 我们通过哈密顿蒙特卡洛（HMC）进行后验推断。 我们还提供了获得计算高效的基于梯度的最大后验（MAP）估计的方法。 我们在合成数据以及凯撒永久健康记录（EHR）数据（来自Kaiser Permanente，KP）上验证了我们的模型。 我们表明，所提出的模型在预测性能方面优于平稳模型，并且揭示了生命体征之间有趣的潜在相关过程，这些过程可能对患者风险具有预测性。 显示英文摘要

摘要： We propose multivariate nonstationary Gaussian processes for jointly modeling multiple clinical variables, where the key parameters, length-scales, standard deviations and the correlations between the observed output, are all time dependent. We perform posterior inference via Hamiltonian Monte Carlo (HMC). We also provide methods for obtaining computationally efficient gradient-based maximum a posteriori (MAP) estimates. We validate our model on synthetic data as well as on electronic health records (EHR) data from Kaiser Permanente (KP). We show that the proposed model provides better predictive performance over a stationary model as well as uncovers interesting latent correlation processes across vitals which are potentially predictive of patient risk.