一种基于电子健康记录预测再入院的可解释深度学习框架
机器学习
2025-05-27 v2 信息检索
摘要
随着患者数据可用性的增加，现代医学正转向前瞻性医疗。电子健康记录提供了多种可用于临床患者特征刻画和预测模型开发的信息，因为相似的病史常导致类似的健康进展。一个应用是预测非计划性医院再入院，这是降低医疗成本并改善患者预后的重要任务。尽管预测模型表现出强劲性能，尤其是采用深度学习方法时，但它们常因缺乏可解释性而受到批评，而在医疗领域这是一个关键要求，因为错误预测可能对患者安全造成严重后果。本文提出一种新颖且可解释的深度学习框架，用于预测非计划性医院再入院，其由词嵌入的 NLP 研究发现以及用于处理时序数据的 ConvLSTM 神经网络所支持。我们在 30 天和 180 天内再入院的两个预测任务上，使用真实世界数据验证了该框架。此外，我们提出并评估了一种模型相关技术，旨在增强医学专业人员对结果的可解释性。我们的方案在预测准确性上优于传统机器学习模型，同时提供更可解释的结果。
引用
@article{arxiv.2310.10187,
title = {An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records},
author = {Fabio Azzalini and Tommaso Dolci and Marco Vagaggini},
journal= {arXiv preprint arXiv:2310.10187},
year = {2025}
}