一种用于预测心衰发病的可解释 Transformer 深度学习模型
机器学习
2021-01-28 v1
摘要
预测诸如心力衰竭等复杂慢性疾病的发病具有挑战性。应用于丰富电子健康记录的深度学习模型或可改善预测，但其不可解释性阻碍了它们在医疗实践中的更广泛应用。我们开发了一种新颖的 Transformer 深度学习模型，用于更准确且可解释地预测心衰发病，涉及来自英国纵向关联电子健康记录的 100,071 名患者。在内部 5 折交叉验证和留出外部验证中，我们的模型分别取得了 0.93 和 0.93 的接收者操作特征曲线下面积（AUC）以及 0.69 和 0.70 的精确率-召回率曲线下面积，并且优于现有的深度学习模型。预测因子组包括所有社区和医院诊断及用药，并以每位患者临床就诊时的年龄和日历年为背景信息。情境化医疗信息的重要性在多项敏感性分析中得到揭示，并且我们的扰动方法提供了一种识别导致风险的因素的途径。许多已识别的风险因素与临床和流行病学研究的现有知识一致，但也揭示了一些在专家驱动的风险预测模型中未被考虑的新关联。
引用
@article{arxiv.2101.11359,
title = {An explainable Transformer-based deep learning model for the prediction of incident heart failure},
author = {Shishir Rao and Yikuan Li and Rema Ramakrishnan and Abdelaali Hassaine and Dexter Canoy and John Cleland and Thomas Lukasiewicz and Gholamreza Salimi-Khorshidi and Kazem Rahimi},
journal= {arXiv preprint arXiv:2101.11359},
year = {2021}
}