一个多层的GRU模型用于COVID-19患者代表性和从大规模EHR数据中的表型
Arpita Saha1, Maggie Samaan1, Bo Peng1
1The Ohio State University, Columbus, Ohio, USA.
概括
这项研究开发了一种机器学习模型,使用电子健康记录来预测COVID-19患者的结果并识别表型. 该模型,mGRU-CP,为未来的流行病提供了改善的医疗保健资源配置.
科学领域:
- 计算生物学是一种计算生物学.
- 医疗信息学 医疗信息学
- 流行病学 流行病学
背景情况:
- 由于COVID-19大流行,造成了严重的医疗保健资源短缺.
- 预测患者的结果和表型对于有效的资源分配和有针对性的治疗至关重要.
研究的目的:
- 开发和评估一个数据驱动的模型来预测COVID-19患者的结果.
- 使用电子健康记录数据识别不同的患者表型.
- 为积极的医疗保健资源分配提供计算工具.
主要方法:
- 开发了一种基于重复单位的多层封闭式模型 (mGRU-CP).
- 来自COVID-19研究数据公众的杆电子健康记录 (EHR) 数据.
- 将mGRU-CP与使用三组患者特征的四种最先进的基线方法进行比较.
主要成果:
- 在所有设置中,mGRU-CP与基线方法相比,实现了竞争性或优异的性能.
- 从mGRU-CP学习的患者嵌入能够实现有意义的患者表型.
- 该模型有效地预测了患者的生存概率.
结论:
- mGRU-CP模型提供了一个强大的计算工具,用于预测COVID-19患者的结果.
- 使用已学习嵌入的患者表型增强对死亡率的理解.
- 这种方法可以为未来的流行病提供医疗保健资源分配策略的信息.


