确定临床特征集群,以预测无症状大脑管狭窄症患者中风的发生

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 机器学习被广泛用于从电子健康记录 (EHR) 预测疾病.
• 识别显著的临床特征对于准确的疾病预测至关重要.
• 图形神经网络 (GNN) 在疾病预测中的临床特征选择方面尚未得到充分探索.

研究的目的:

• 开发和评估基于GNN的计算方法,用于识别中风预测的显著临床特征.
• 利用来自无症状大脑管狭窄症患者的EHR数据进行中风风险评估.
• 将GNN方法与传统特征选择方法进行比较.

主要方法:

• 在6个月的时间内,基于EHR数据中同时出现的特征构建了患者临床特征图表.
• 应用了基于GNN的无监督聚类和一种用于选择关键临床特征集群的新算法.
• 使用选定的功能来构建监督学习模型的患者表示.
• 使用AUC和F1得分等指标评估预测性能.

主要成果:

• 在中风预测方面取得了强的表现,AUC为0.87和F1得分为0.80,表现优于基线模型.
• 证明基于GNN的特征选择仅依赖于积极的案例.
• 一项废除研究确定了用于图表生成的最佳数量的EHR数据.

结论:

• 基于GNN的方法有效地捕捉了用于疾病预测的临床特征之间的固有关系.
• 这种方法对推进疾病预测有前途,特别是在数据稀缺的场景中,阳性病例有限.
• 开发的计算方法为临床特征发现和患者表现提供了新的途径.