HR-BGCN:通过电子健康记录预测心力衰竭的再入院情况
Huiting Ma1, Dengao Li1, Jumin Zhao2
1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, Taiyuan, 030024, China; Key Laboratory of Big Data Fusion Analysis and Application of Shanxi Province, Taiyuan, 030024, China; Intelligent Perception Engineering Technology Center of Shanxi, Taiyuan, 030024, China.
这项研究引入了HR-BGCN模型来预测心力衰竭的再入院. 该模型显著提高了预测准确性,旨在降低患者再入院率和医疗保健成本.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床决策支持系统 临床决策支持系统
背景情况:
- 心力衰竭是一个重大的公共卫生挑战,其特点是高成本和死亡率,加剧了难以预测患者再入院的困难.
- 准确的再接收预测模型对于临床决策,患者管理和减轻心力衰竭的经济负担至关重要.
研究的目的:
- 开发和评估一种新型模型,HR-BGCN,用于预测心力衰竭住院后患者的再入院.
- 通过解决数据不平衡和改进特征表示来提高回收预测的准确性.
主要方法:
- 利用来自MIMIC-III数据库的患者出院记录,将患者分类为没有再录取,30天内和30天后的组.
- 提出了HR-BGCN模型,其中包括Adaptive-TMix来处理类别不平衡,以及基于知识的图表注意力机制,以增强节点特征表示.
- 集成的段落级图表学习表示与BERT的令牌级表示用于多个分类任务.
主要成果:
- 在HR-BGCN模型中,预测30天的心力衰竭再入院的F1平均得分为88.26%,平均准确率为90.47%.
- 与IA-GCN和GAT等既有图形学习模型相比,在预测心力衰竭再入院方面表现优越.
结论:
- HR-BGCN模型在预测30天的心力衰竭再入院方面取得了重大进展.
- 这种模型可以成为临床医生积极识别风险患者的宝贵工具,从而降低再入院率并改善患者的治疗结果.
更多相关视频
08:22Author Spotlight: Advancing the Study of Brain-Heart Interplay with a Comprehensive EEGLAB Plugin for Multimodal Signal Analysis
Published on: April 26, 2024
08:12Calculating Heart Rate Variability from ECG Data from Youth with Cerebral Palsy During Active Video Game Sessions
Published on: June 5, 2019
相关概念视频
01:30Pulse rhythm
Conversely, an irregular pulse pattern is termed dysrhythmia, stemming from disruptions in cardiac...
01:25Errors occurring during blood pressure monitoring
Several factors...