X-RIM:极度反复的独立机制,用于对抗噪声和可解释的中风风险预测
概括
一种新的深度学习模型,极端反复独立机制 (X-RIM),使用电子健康记录准确预测中风风险. X-RIM的性能优于现有的方法,并提高了模型的可解释性,以便更好地临床应用.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 心血管疾病研究研究
背景情况:
- 脑卒中是全球死亡和残疾的主要原因,需要准确的风险预测来预防.
- 使用时间序列电子健康记录 (EHR) 的深度学习模型对中风风险预测有前途.
- 电子健康记录中的高缺失数据率和深度学习模型的可解释性带来了重大挑战.
研究的目的:
- 开发一种新的深度学习模型,即极端反复独立机制 (X-RIM),用于准确预测中风风险.
- 解决缺少的数据和可解释性在基于EHR的中风风险预测中的挑战.
- 通过使用现实世界患者数据,对X-RIM与现有基准的性能进行评估.
主要方法:
- 提出了一个基于循环独立机制 (RIM) 的极端设计,称为X-RIM.
- X-RIM通过独立的循环模块利用时间EHR数据,而不需要数据归算.
- 在国家台湾大学医院的现实数据上对X-RIM进行了评估.
主要成果:
- 在中风风险预测方面,X-RIM显著超过了CHA 2 DS 2 -VASc得分和其他基准.
- 使用精度回忆曲线下的面积 (AUPRC),接收器操作特征曲线下的面积 (AUROC) 和Youden指数来测量性能.
- 与CHA 2 DS 2 -VASc相比,X-RIM获得了更高的AUPRC (0.210对0.103),AUROC (0.764对0.650) 和Youden指数 (0.373对0.223) 的结果.
结论:
- 通过使用时间序列EHR数据,X-RIM提供了一种可靠和可解释的深度学习方法,用于预测中风风险.
- 该模型的独立结构允许对个别特征贡献进行直观评估,从而提高了临床解释性.
- X-RIM显示了改善早期中风检测和预防策略的潜力.
