增强人工智能驱动的糖尿病负担预测:深度学习和统计模型的比较分析

科学领域:

• 公共卫生 公共卫生
• 计算生物学 计算生物学
• 数据科学数据科学数据科学

背景情况:

• 准确的糖尿病负担预测对于有效的医疗保健规划和资源分配至关重要.
• 深度学习模型显示出前景,但在计算复杂性和数据质量方面面临挑战.

研究的目的:

• 在糖尿病预测模型中评估预测准确性,稳定性和计算效率之间的权衡.
• 用历史糖尿病数据比较变压器-VAE,LSTM,GRU和ARIMA模型.

主要方法:

• 训练了四个模型 (变压器-VAE,LSTM,GRU,ARIMA) 在年度数据 (1990-2021) 上,以残疾调整的寿命年,死亡率和流行率.
• 使用平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型.
• 评估了与杂/缺失数据和计算效率 (训练时间,推断速度,内存) 的稳定性.

主要成果:

• 变压器-VAE实现了最高的精度 (MAE:0.425,RMSE:0.501) 和强度.
• LSTM捕捉了短期模式;GRU是高效的,但有更高的错误;ARIMA是资源高效的,但长期趋势有限.
• 变压器-VAE的高计算成本和可解释性问题限制了可扩展性.

结论:

• 变压器-VAE是最准确的糖尿病负担预测,但面临的可扩展性挑战.
• 深度学习模型显示出医疗预测的潜力,但需要进一步验证公共卫生整合.
• 混合方法可以通过结合模型的优势来提供好处.