疫情期间心血管疾病生物标志物的多目标贝叶斯变换器框架预测
机器学习
2025-11-07 v2 人工智能
摘要
新冠肺炎疫情全球性地扰乱了医疗系统，尤其是患有慢性疾病如心血管疾病（CVD）的人群受到不公平影响。这些扰乱通过延迟就医和行为变化，影响了关键的CVD生物标志物，包括LDL胆固醇（LDL-C）、血糖（HbA1c）、体重指数（BMI）和收缩压（SysBP）。准确建模这些变化对于预测疾病进展和指导预防护理至关重要。然而，现有工作尚未针对从电子健康记录（EHR）中预测CVD生物标志物的机器学习方法进行多目标建模，同时又能捕捉生物标志物之间的相互关系、时序模式和预测不确定性。在本文中，我们提出了MBT-CB（Multi-target Bayesian Transformer），基于预训练的BERT变换器框架，联合预测来自EHR数据的LDL-C、HbA1c、BMI和SysBP四类CVD生物标志物。该模型利用贝叶斯变分推断估计不确定性，通过嵌入捕捉时序关系，并采用DeepMTR模型捕捉生物标志物之间的相互关系。我们在3390例（304名独立患者）来自中大西洋地区疫情期间的回顾性EHR数据上评估了MBT-CT。MBT-CB在一系列基线模型中取得了优异性能，包括其他基于BERT的机器学习模型，实现了MAE为0.00887、RMSE为0.0135和MSE为0.00027，同时有效捕捉数据和模型不确定性、患者生物标志物之间的相互关系以及通过注意力和嵌入机制捕捉的时序动态。MBT-CB的卓越性能凸显了其在疫情期间预测CVD生物标志物并支持临床决策的潜力。
引用
@article{arxiv.2509.01794,
title = {A Multi-target Bayesian Transformer Framework for Predicting Cardiovascular Disease Biomarkers during Pandemics},
author = {Trusting Inekwe and Winnie Mkandawire and Emmanuel Agu and Andres Colubri},
journal= {arXiv preprint arXiv:2509.01794},
year = {2025}
}