多特征地图集成注意力模型用于早期预测2型糖尿病使用不规则的健康检查记录

科学领域:

• 生物医学信息学 生物医学信息学
• 机器学习 机器学习
• 公共卫生 公共卫生

背景情况:

• 2型糖尿病 (T2D) 是一个重大的全球健康挑战,需要及早识别有风险的个体.
• 目前的T2D预测模型往往忽略了关键数据,如诊断前健康检查记录 (HER),临床评级和时间特征动态.
• 在 HER 中,不规则的多变量时间序列数据的复杂性对准确的早期预测提出了挑战.

研究的目的:

• 开发和评估一种新型模型,即多特征地图集成注意力模型 (MFMAM),用于早期2型糖尿病预测.
• 将健康检查记录 (HER),临床评级信息和时间模式纳入统一的预测框架.
• 通过解决现有方法的局限性,提高T2D早期预测的准确性和稳定性.

主要方法:

• 拟议的MFMAM将HER转换为多特征地图,以捕获本地/全球波动和特征序列顺序.
• 临床知识通过连接的评级指标来整合.
• 缺失的数据和时间动态是通过缺失和时间嵌入来解决的,注意力机制识别关键特征和时间点.

主要成果:

• 与基线模型相比,MFMAM在实验中使用真实世界 HER.在实验中在各种序列长度和预测窗口中表现出优异的性能.
• 将MFMAM的设计元素集成到基线模型中,大大提高了其预测性能.
• 该模型有效地处理了健康记录中固有的多变量,不规则的时间序列数据的复杂性.

结论:

• MFMAM为早期2型糖尿病预测提供了一种强大的方法,利用全面的健康检查数据.
• 该模型能够整合多种数据类型并捕捉时间动态的能力提高了其临床实用性.
• MFMAM有助于改善对不同患者群体的短期和长期T2D风险评估.