基于不规则重复测量的预测？

Question

我需要建立一个模型，根据健康相关问卷的答案来预测某些医疗结果。服务提供者让病人在不定期的时间间隔内多次填写这些问卷--例如，病人可能在其护理事件开始时填写一份问卷，34天后填写另一份问卷，12天后填写另一份问卷，以此类推。

我对如何处理我所预测的结果有很好的了解；我可以使用生存建模技术，也可以在特定的时间窗内将其作为二进制分类问题来处理。然而，当涉及到如何整合不规则重复的输入特性时，我有点不知所措：

• 传统的时间序列技术假设观测间隔是固定的。
• 递归神经网络通常会做出类似的假设。
• 旁听的重复或聚合是最简单的解决方案，但我宁愿直接扔掉我的大部分数据。

有没有人知道对这类问题有用的模型或策略？

Answer 1

只要有足够的数据，时间序列模型就能达到很好的效果。如果你没有足够的数据给一个人，如果这些数据是不规则的，那么很有可能没有时间序列模型能够单独做出好的预测。因此，为了有足够的数据，您可以从统计的角度看到这个问题。这意味着考虑群体而不是个人。拥有一组人可以创建一组数据，这些数据可以很容易地被研究，而不需要100%的规则数据，但是足够有规律，以使模型能够识别模式。

下面是一种治疗心脏问题的药物的例子，BPM过高：

d0是对每个人进行医疗治疗的开始。

如果你有不规则的记录，你可以创建一组具有相似特征的人，这样你就可以获取大量基于时间的值，得到他们的平均值，并复制一个有规律的行为。

但是，您必须有大量的数据来减少因异常值而产生的错误，并获得相关的平均值。

因此，您可以采取类似的患者(与您的研究特定的相关特征，可能是体重、年龄、血型等)，为每组记录值在d+1，d+2，.，d+N存在时，进行分组，并对所有这些记录应用logistic回归。如果这个组足够大，您应该能够拥有有趣的图表并应用有效的预测模型。

使用这种方法，您还可以通过调查异常值的原因、检测新的相关特性和改进模型来理解。

以下是针对稀缺和不规则数据的其他有趣的解决方案：https://www.inovex.de/de/blog/deep-learning-time-series/

https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-018-0717-4

https://www.researchgate.net/publication/318916950_SPARTan_可伸缩_PARAFAC2_为_大型_稀疏_数据