基于深度学习的预测,对急性损伤的住院死亡率
Li Yong1, Dou Ruiyin1, Wang Xia2
1College of Computer Science and Engineering, Northwest Normal University, Lanzhou, China.
概括
这项研究引入了GCAT,这是一种使用患者数据识别急性损伤 (AKI) 高风险患者的新方法. 在医院环境中,GCAT在预测AKI方面表现出卓越的有效性.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
- 数据科学数据科学数据科学
背景情况:
- 急性损伤 (AKI) 影响全球超过20%的住院患者.
- 早期识别高风险AKI患者对于及时干预至关重要.
- 目前用于AKI风险分层的方法需要改进.
研究的目的:
- 提出并验证基于图形的卷积注意力转移 (GCAT) 模型.
- 在医院环境中识别患有急性损伤 (AKI) 高风险的患者.
- 利用MIMIC-III数据集开发和测试GCAT模型.
主要方法:
- 在大量患者队列中探索属性特征相似性.
- 计算患者属性相似度以生成一个节点相似度矩阵.
- 使用高相似性节点构建一个患者特征相似性网络 (PFSN).
主要成果:
- GCAT模型实现了88.57%的预测准确度.
- 与现有的最先进的方法相比,GCAT模型显示出更高的性能.
- 使用MIMIC-III数据集的验证证实了该模型的有效性.
结论:
- 拟议的GCAT模型有效地识别高风险的AKI患者.
- 在临床环境中,GCAT为AKI风险分层提供了一个有希望的方法.
- 这种数据驱动的方法可以帮助积极主动地管理AKI.


