[哇.好问题]

可能的解决方案：（个人意见）

第一个意见是：使用 SVM 或 KNN 而不是神经网络，因为您的数据像 2D 向量一样微不足道。

第二种意见是：

由于您没有尝试预测特定患者的下一个文本可能性，因此在这种情况下 RNN(LSTM,GRU) 可能对您没有帮助。所以一个简单的解决方案是自动编码器来压缩数据，然后运行一个简单的逻辑回归或支持向量机，或者可能是一个神经网络。

如何？

1.由于您的患者编号在所有情况下都不相同，因此您应该将他/她的所有医学测试数据表示为一个向量。这就是自动编码器发挥作用的地方。示例：

假设我们有 3 位患者：First-3 测试，second-2 测试，three-5 测试。我们的目标是将每个患者数据压缩成二维向量（因为你的特征是 RBC 和 WBC，2 个特征，所以如果我们将它压缩成二维向量，它将学得很好）。

（在星号（*）内你的数据去）

First Patient=[[*],[*],[*]] # three test
Second Patient=[[*],[*]] # two test
Third Patient=[[*],[*],[*],[*],[*]] # five test

现在您通过Variational autoencoder压缩数据。

将您的数据缩放为 wbc>>rbc

然后使用变分自编码器得到潜在空间向量

通过 Dense(2) 在潜在空间中使用 dimesion=2

现在，当您获得向量时，只需为每个患者添加测试向量

喜欢：对于第一个患者，您在潜在空间中有三个向量，例如-

[2.33,4.2]+[5.11,9.22]+[0.21,6.32]=result..你得到了第一个病人的表示。

在你得到所有这些之后，一个简单的 svm/多项式回归就可以了。

让我知道你是如何解决的。

对于 Phased LSTM https://arxiv.org/abs/1610.09513，这听起来肯定是个问题

它旨在处理以不规则时间间隔到达的输入，例如，来自以不同频率工作的两个传感器。作为一个很酷的奖励，它能够处理更长的序列，而通常的 LSTM 会吓坏。

这里描述了它的导数和反向传播：Gradient derivation reference for Phased LSTM

此外，在开始实施之前，请务必阅读作者在其 github 上的“提醒”和注释：https ://github.com/dannyneil/public_plstm