早期检测儿科健康风险,使用母婴健康数据

科学领域:

• 计算生物学是一种计算生物学.
• 儿科健康信息学 儿科健康信息学
• 机器学习在医疗保健中的应用.

背景情况:

• 早期识别儿科疾病对于长期健康结果至关重要,但受到有限的健康数据访问的阻碍.
• 机器学习 (ML) 为开发儿科预测诊断系统提供了潜力.
• 以前的研究还没有完全描述早期生活条件对儿科患者住院时间的影响.

研究的目的:

• 开发一个深度学习模型,Ped-BERT,用于预测儿科诊断和住院时间.
• 评估将特定于母亲的产前和产后健康信息纳入模型性能的影响.
• 评估Ped-BERT模型在不同的人口和健康子组中的公平性.

主要方法:

• 利用来自加利福尼亚州健康记录的513.9K个母婴对的大数据集.
• 开发了Ped-BERT,这是一个基于BERT的深度学习模型,在诊断代码上使用掩面语言建模进行预训.
• 微调的Ped-BERT可以预测诊断和停留时间,包括患者病史和可选的母亲健康数据.

主要成果:

• 与当代分类器相比,Ped-BERT表现出优越的性能,即使具有最小的功能.
• 纳入孕产妇健康属性导致所有患者子组的显著绩效改善.
• 实现了高性能指标:ROC AUC为0.927和APS为0.408用于诊断预测;ROC AUC为0.855和APS为0.815用于停留时间预测.

结论:

• Ped-BERT是一种高效的深度学习工具,用于预测儿科诊断和住院时间.
• 孕产妇健康数据的整合大大提高了儿科ML模型的预测能力.
• 需要进一步分析,以确保公平的表现,并减轻跨不同患者群体的预测偏见.