使用时间序列EHR数据预测非缺血性心肌病的试验前预测

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 临床成像对于诊断非缺血性心肌病 (NICM) 是至关重要的.
• 解释这些研究需要审查广泛的患者病史,这是耗时的.
• 电子健康记录 (EHR) 包含有价值的纵向数据,用于疾病预测.

研究的目的:

• 开发一个用于NICM的预测模型,使用EHR数据的时间序列分析.
• 为了利用EHR中的时间信息来更准确地预测疾病.
• 评估模型在协助测试前差异诊断方面的性能.

主要方法:

• 使用了纵向EHR数据,包括ICD-10代码,格式为时间序列分析.
• 采用循环神经网络 (RNN) 架构用于预测建模.
• 在接受心脏磁共振成像 (CMR) 和心声回声图 (TTE) 的NICM患者队列上培训和评估模型.

主要成果:

• 在CMR数据方面取得了强的表现,微AUC为0.8357,F1得分为0.5708,精度在3为0.8078.
• 在胸前回声图 (TTE) 数据中表现中等,微AUC为0.6938,F1得分为0.4399,精度在3分为0.5864.
• 该模型显示了准确的NICM测试前差异诊断的潜力.

结论:

• 对EHR数据的时间序列分析可以有效地预测NICM.
• 拟议的模型可以通过提供差异诊断来帮助医生,从而减少潜在的行政负担.
• 进一步细化可能会提高基于心声回声图的预测的性能.