急性肾衰竭是一种发病率较高的临床疾病,尽早识别潜在患者有助于医生对其进行医疗干预,降低发病率和死亡率.近年来,依靠电子健康病历去预测患者潜在的健康风险逐渐受到关注.大多数模型通过聚合数据或者填充缺失值的方式处理人体生理指...急性肾衰竭是一种发病率较高的临床疾病,尽早识别潜在患者有助于医生对其进行医疗干预,降低发病率和死亡率.近年来,依靠电子健康病历去预测患者潜在的健康风险逐渐受到关注.大多数模型通过聚合数据或者填充缺失值的方式处理人体生理指标数据中存在的稀疏性和不规则性问题,忽视了缺失信息隐含的患者健康状态.此外,现有的急性肾衰竭预测模型并没有考虑各种模态的数据特点和模态之间的相关性.为了解决以上问题,提出了基于多模态的急性肾衰竭预测模型.该模型考虑了人体生理指标数据、疾病数据和人口统计学数据.设计了新的基于掩码和时间差的LSTM(long short term memory)网络去学习各个生理指标的时间间隔和缺失信息,捕获指标的数值变化和检测频率变化,引入了多头自注意力机制促进各模态表征的相互学习.在真实的数据集上进行了急性肾衰竭预测问题和死亡风险预测问题的实验,证明了所提出模型的有效性和合理性.展开更多
文摘急性肾衰竭是一种发病率较高的临床疾病,尽早识别潜在患者有助于医生对其进行医疗干预,降低发病率和死亡率.近年来,依靠电子健康病历去预测患者潜在的健康风险逐渐受到关注.大多数模型通过聚合数据或者填充缺失值的方式处理人体生理指标数据中存在的稀疏性和不规则性问题,忽视了缺失信息隐含的患者健康状态.此外,现有的急性肾衰竭预测模型并没有考虑各种模态的数据特点和模态之间的相关性.为了解决以上问题,提出了基于多模态的急性肾衰竭预测模型.该模型考虑了人体生理指标数据、疾病数据和人口统计学数据.设计了新的基于掩码和时间差的LSTM(long short term memory)网络去学习各个生理指标的时间间隔和缺失信息,捕获指标的数值变化和检测频率变化,引入了多头自注意力机制促进各模态表征的相互学习.在真实的数据集上进行了急性肾衰竭预测问题和死亡风险预测问题的实验,证明了所提出模型的有效性和合理性.
