多尺度时空动态图神经网络用于早期预测心力衰竭患者的死亡风险

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
• 心血管医学 心血管医学

背景情况:

• 心脏衰竭 (HF) 是一个重大的全球健康挑战,使医疗保健资源受到压力.
• 目前对HF患者的预后模型在捕捉动态生理相互依赖方面存在局限性.
• 准确的早期死亡风险预测对于有效的HF患者管理至关重要.

研究的目的:

• 引入一种新的多尺度时空动态图神经网络 (MSTD-GNN),以提高心力衰竭患者的早期死亡率预测.
• 从电子健康记录 (EHR) 中的生理参数动态提取和分析时空信息.
• 在多个时间尺度上揭示生理变量之间的动态关系.

主要方法:

• 开发MSTD-GNN,一种使用动态图形的新型深度学习模型.
• 从ICU患者的EHR中建模多变量时间序列数据,以捕获参数之间的依赖关系.
• 使用MIMIC-III和MIMIC-IV数据集进行模型培训和验证.

主要成果:

• 与现有方法相比,MSTD-GNN在预测HF患者的早期死亡风险方面表现优异.
• 在MIMIC-III上达到83.93%的曲线下面面积 (AUC),在MIMIC-IV上达到81.74%.
• 该模型成功地揭示了不同时间尺度上的生理变量之间的动态关系.

结论:

• MSTD-GNN在预测心力衰竭患者的早期死亡率方面取得了重大进展.
• 该模型捕获动态时空信息的能力提高了预测准确度.
• 这种方法有望改善HF护理中的临床决策和患者结果.