时间数据的附加价值和处理它的最佳方法:使用全科医生数据对心房的用例
Frank C Bennis1, Claire Aussems2, Joke C Korevaar2
1Quantitative Data Analytics Group, Department of Computer Science, VU Amsterdam, Amsterdam, the Netherlands; Nivel, Netherlands Institute for Health Services Research, Utrecht, the Netherlands.
Computers in biology and medicine
|February 27, 2024
概括
时间模型,如CKConv和LSTM,使用全科医生 (GP) 数据显著改善心房动 (AF) 预测,特别是在更长的预测窗口. 这些先进的算法通过有效处理不规则的时间数据,优于传统方法.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习 机器学习
- 健康 数据科学 数据科学
背景情况:
- 时间数据对深度学习模型构成重大挑战,特别是在采样不规则的医疗保健应用中.
- 现有的研究缺乏经典非时间模型和用于临床预测的新型时间算法之间的明确性能比较.
- 使用全科医生 (GP) 数据预测心房动 (AF) 是评估时间数据分析方法的关键用例.
研究的目的:
- 为了比较非时间和时间机器学习算法的性能,用于预测心房动 (AF).
- 评估不同时间模型在处理非规则采样中的有效性 在GP数据中用于AF预测.
- 为了确定预测窗口长度对时间与非时间模型性能的影响.
主要方法:
- 利用了三个数据集,其中有365天的观测窗口和14,180和360天的预测窗口.
- 基准非时间模型 (逻辑回归,XGBoost,神经网络) 与基于模式和时间模型 (LSTM,CKConv) 的比较.
- 使用长短期记忆 (LSTM) 和卷积内核网络 (CKConv) 模型,在药物,实验室,症状和慢性疾病编码方面进行训练的内置时间性.
主要成果:
- 与基准和模式算法 (最大AUC 0.723) 相比,时间模型 (LSTM,CKConv) 实现了更高的性能 (最大AUC 0.734在360天).
- 使用360天预测窗口的时间模型观察到显著改善 (p=0.04).
- 时间模型的性能优势随着更长的预测窗口而增加,突显了它们对长期预测的重要性.
结论:
- 时间机器学习模型展示了使用GP数据进行AF预测的非时间方法的优越性能.
- 在临床环境中,CKConv算法显示出对有效管理不规则时间数据的承诺.
- 算法和预测窗口长度的选择显著影响从纵向GP记录中AF预测的准确性.
