预测ICU患者的死亡风险基于动态图表注意力网络的患者相似性
Manfu Ma1, Penghui Sun1, Yong Li1
1College of Computer Science and Engineering, Northwest Normal University, 967 Anning East Road, Lanzhou 730070, China.
Mathematical biosciences and engineering : MBE
|September 7, 2023
概括
一种名为PS-DGAT的新模型通过分析患者的相似性来改善重症监护室 (ICU) 患者死亡风险预测. 这种方法比传统方法更准确,有助于及时调整治疗以获得更好的患者结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 准确预测重症监护室 (ICU) 患者的死亡风险对于有效的治疗策略至关重要.
- 传统的机器学习模型往往无法捕捉患者之间的相似性,从而限制了预测准确性.
研究的目的:
- 引入一种新型模型,患者相似性动态图表注意网络 (PS-DGAT),用于增强ICU患者死亡风险预测.
- 通过结合患者相似性网络来解决现有方法的局限性.
主要方法:
- 建立基于临床数据的患者权重相似性网络.
- 输入缺失的功能,并使用邻近的患者数据重建网络.
- 在重建的网络上采用动态注意力机制,用于特征提取和低维嵌入.
主要成果:
- 与基线模型相比,PS-DGAT模型显示出更好的预测准确性.
- 比基本的图表注意力网络 (GAT) 准确度大约高出1.8%.
- 与传统的机器学习方法相比,显示了大约8%的改进.
结论:
- 该PS-DGAT模型有效地利用患者相似性网络和动态注意力机制来预测ICU中优异死亡风险.
- 这种方法为临床决策支持系统提供了有希望的进步,使得更个性化和及时的干预措施成为可能.


