时间变化和时间不变的EMR数据的表示及其在建模心力衰竭患者的结果预测中的应用
Yanqun Huang1, Muyu Wang1, Zhimin Zheng1
1School of Biomedical Engineering, Capital Medical University, No.10, Xitoutiao, You An Men, Fengtai District, Beijing 100069, China; Beijing Key Laboratory of Fundamental Research on Biomechanics in Clinical Application, Capital Medical University, No.10, Xitoutiao, You An Men, Fengtai District, Beijing 100069, China.
Journal of biomedical informatics
|June 20, 2023
概括
这项研究开发了一种深度学习模型,用于预测心力衰竭患者的功能衰竭和死亡率,使用静态和动态电子健康记录数据. 该模型显示出卓越的预测性能,突出显示了综合患者数据对临床结果的价值.
科学领域:
- 医疗保健中的人工智能
- 临床信息学 临床信息学
- 深度学习用于预测建模.
背景情况:
- 心力衰竭 (HF) 患者具有复杂的健康记录,具有静态 (人口统计学,并发症) 和动态 (实验室测试) 特性.
- 准确预测衰竭 (KF) 和死亡率对于管理HF患者至关重要.
研究的目的:
- 开发一个端到端的深度学习模型,能够代表患者记录,同时以时间不变和时间变化的特征作为单个矢量.
- 预测功能衰竭 (KF) 状态和心力衰竭 (HF) 患者的死亡率,使用此统一表示.
主要方法:
- 变压器编码器处理了时间不变的电子医疗记录 (EMR) 数据.
- 一个用变压器编码器增强的长短期记忆 (LSTM) 网络处理了时间变化的EMR数据,包括时间间隔和嵌入.
- 综合的患者表现被用于KF和死亡率预测,使用AUROC,AUPRC和F1得分评估绩效.
主要成果:
- 拟议的模型实现了高预测性能:KF的平均AUROC为0.960,死亡率为0.937.
- 平均AUPRC为KF的0.610和死亡率的0.353,F1分数分别为0.759和0.537.
- 该模型的表现优于基线机器学习和废弃模型,性能随着更长时间序列数据的使用而提高.
结论:
- 统一的深度学习模型有效地代表了各种EMR数据,以提高临床预测.
- 处理时间变化的数据的方法显示出对其他临床任务和数据类型的更广泛应用的希望.
