患者-疾病双空间相似性神经网络用于预测心力衰竭风险,使用简短的电子健康记录
IEEE journal of biomedical and health informatics
|July 28, 2025
概括
一个新的深度学习模型,PDSNet,通过分析电子健康记录中的患者疾病相似性来增强心力衰竭 (HF) 风险预测. 这种方法提高了准确性,以获得更好的临床决策支持和个性化的高频管理.
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
- 心血管疾病研究研究
背景情况:
- 心力衰竭 (HF) 是一种复杂的综合征,其原因和患者表现各异.
- 由于这种异质性,现有的深度学习模型在准确预测HF风险方面面临挑战.
研究的目的:
- 提出一个新的深度神经网络,PDSNet,以使用电子健康记录改进HF风险预测.
- 利用双重患者-疾病空间相似性策略来提高预测准确性.
主要方法:
- 开发了本体结构图表,以根据HF症状和原因来表示患者之间的等级关系.
- 利用二分位图模型从医院访问历史中学习患者的相似性.
- 设计了一个基于变压器的架构,整合了风险预测的时间和空间动态.
主要成果:
- 对于用于HF风险预测的MIMIC-III数据集,PDSNet表现得更好.
- 与七种最先进的深度学习方法相比,获得了2%-12%更高的AUC分数和3%-18%更高的F1分数.
结论:
- PDSNet显示了准确和强大的高频风险预测的巨大潜力.
- 该模型为临床决策支持和个性化HF管理提供了一个有前途的工具.
