GARNN:一个可解释的图表专注的循环神经网络,通过多变量时间序列来预测血糖水平

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的人工智能
• 时间序列分析时间序列分析

背景情况:

• 准确的血糖 (BG) 预测对于糖尿病管理至关重要,减少并发症并改善患者的生活质量.
• 目前用于BG预测的深度学习模型使用多模式时间序列数据,但往往缺乏透明度,阻碍了临床信任.
• 现有的方法经常被视为"黑子",限制了它们在现实世界医疗保健环境中的采用.

研究的目的:

• 引入可解释的图表注意力循环神经网络 (GARNNs) 用于在糖尿病护理中建模多变量时间序列 (MTS).
• 通过总结变量重要性并通过图表注意力机制生成特征图,避免后期分析,提供时间解释性.
• 提高人工智能驱动的BG预测工具的可靠性和临床适用性.

主要方法:

• 开发并应用图形注意力循环神经网络 (GARNNs) 来建模多式联络数据,包括传感器和自我报告事件数据,作为多变量时间序列 (MTS).
• 在循环神经网络架构中利用图表注意力机制来生成可解释的特征图和评估变量重要性.
• 评估了GARNN在四个不同的临床数据集上的表现,与15种已建立的基线方法相比.

主要成果:

• 与15种成熟的基线方法相比,GARNN在各种临床场景中实现了更高的预测准确度.
• 拟议的GARNNs显示出高质量的时间解释性,有效地解释了与饮食摄入量和胰岛素注射相关的食后葡萄糖水平.
• 该模型能够提供对可变贡献的清晰洞察力,这提高了其对临床医生和患者的可信度.

结论:

• 通过提供准确和可解释的血糖预测,GARNNs代表了改善糖尿病护理的强大工具.
• 这些发现凸显了GARNN在弥合先进深度学习技术和实际医疗保健解决方案之间的差距方面的潜力.
• GARNN的可解释性促进了更大的信任,并促进了AI在常规糖尿病管理中的整合.