一个创新的监督纵向学习程序的循环神经网络与时间数据增强:从预测胎儿宏观和大为孕期年龄的洞察力

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 纵向健康数据通常具有稀疏的观察结果,阻碍了深度学习应用.
• 预测出生体重对于识别胎儿生长状况至关重要,如巨和大孕年龄 (LGA).
• 现有的方法使用经验公式和混合效应模型来估计胎儿体重 (EFW) 和临时预测.

研究的目的:

• 开发一种新的监督纵向学习程序,以解决健康信息学中的数据稀缺问题.
• 提高出生体重预测的准确性和胎儿生长异常的分类.
• 加强对稀疏的纵向健康数据的深度学习模型的应用.

主要方法:

• 从超声波测量中使用经验公式生成EFW.
• 应用非线性混合效应模型,将稀疏的EFW数据增强为密集的每日序列.
• 开发了一个定制的循环神经网络 (RNN) 架构来处理增强序列和母性特征.

主要成果:

• 训练有素的RNN对增强数据进行出生体重预测和分类.
• 在分类指标方面取得了更好的表现,包括灵敏度,AUC和Youden指数.
• 证明了该方法在克服纵向健康信息学数据的稀疏性挑战方面的有效性.

结论:

• 将密集序列上的RNN与数据增强的混合效应模型集成,可以准确地预测出生体重.
• 提出的方法是有效的,用于识别过度胎儿生长条件.
• 这种方法增强了稀疏的纵向健康数据的预测建模.