深度STI:深度随机时间序列对电子健康记录的推算

科学领域:

• 医疗保健分析 医疗保健分析
• 深度学习 (Deep Learning) 是一种深度学习.
• 医疗信息学 医疗信息学

背景情况:

• 电子健康记录 (EHR) 对医疗分析至关重要,但包含缺失的值,阻碍了深度学习模型的性能.
• 现有的缺失数据归算方法难以捕捉EHR数据分析至关重要的时间动态.
• 准确的归算对于可靠的临床决策和患者护理至关重要.

研究的目的:

• 引入深度随机时间序列推算 (Deep STI) 算法,这是一个端到端的深度学习模型,用于处理缺失的EHR数据.
• 利用EHR中的时间动态来准确推断缺失的值.
• 通过使用归算的EHR数据,提高对肝癌等疾病的预测准确度.

主要方法:

• 开发了Deep STI,将一个序列对序列生成网络与预测网络集成在一起.
• 从台湾国立大学医院 (NTUH) 的肝癌数据中接受过深度性传播感染的培训和评估.
• 对比了Deep STI在极端梯度增强和变压器模型中的性能.

主要成果:

• 与极端梯度增强 (18.15%) 和变压器 (18.09%) 相比,深度STI实现了更高的5年肝细胞癌预测准确率 (19.21%AUC).
• 废除研究证实了生成架构在归算中的有效性.
• 该模型通过利用时间上下文来推断缺失值的高准确性.

结论:

• 深度STI显著提高了使用不完整的EHR数据进行疾病分析的可靠性.
• 该算法为利用EHR的深度学习进行预测医疗分析设定了新的标准.
• 这项工作推进了医疗保健分析,并促进了对EHR数据深度学习应用的进一步研究.