一个可解释的预测深度学习平台,用于儿科代谢疾病
Hamed Javidi1,2,3, Arshiya Mariam1,3, Lina Alkhaled3,4
1Department of Quantitative Health Sciences, Lerner Research Institute, Cleveland Clinic, Cleveland, OH 44195, United States.
概括
早期发现2型糖尿病等儿科代谢疾病至关重要. 一个使用纵向数据的深度学习模型,包括BMI轨迹,准确地预测疾病发病,改进了仅使用最近数据的模型.
科学领域:
- 儿科内分泌学 儿科内分泌学
- 计算健康科学 计算健康科学
- 机器学习在医学中的应用
背景情况:
- 儿童代谢疾病,包括糖尿病前期,2型糖尿病 (T2D) 和代谢综合征,在全球范围内正在上升.
- 这些疾病显著损害生活质量,增加慢性并发病的风险.
- 迫切需要有效的早期检测工具,以便及时干预儿科患者.
研究的目的:
- 开发和验证可解释的深度学习模型,用于预测儿童糖尿病前期,T2D和代谢综合征的发生.
- 评估纵向临床数据的实用性,包括身体质量指数 (BMI) 轨迹,以提高预测准确度.
主要方法:
- 利用来自大型综合卫生系统的电子健康记录数据的可解释深度学习.
- 包括49517名超重或肥胖儿童 (2-18岁) 的纵向临床测量,人口统计数据和诊断代码.
- 使用纵向数据对比模型性能与仅依赖最近的BMI数据的模型.
主要成果:
- 该模型在接收器运行特征曲线 (AUC) 下的面积达到T2D的0.87,代谢综合征的0.79和糖尿病前期的0.79的精度.
- 与仅使用最新BMI的模型相比,将纵向数据纳入AUC显著提高了11-13% .
- BMI轨迹被确定为预测模型中始终具有影响力的特征.
结论:
- 纵向数据分析,特别是BMI轨迹,提供了更全面的患者健康特征,并提高了儿科代谢疾病的预测准确性.
- 利用历史数据的可解释深度学习模型为早期检测和干预提供了有希望的方法.
- 这种方法强调了考虑时间健康趋势的重要性,而不是静态测量,以改善临床预测.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
4.0K
07:35A Knowledge Graph Approach to Elucidate the Role of Organellar Pathways in Disease via Biomedical Reports
Published on: October 13, 2023
1.6K
