利用深度学习分析NIH N3C与RECOVER项目的病史诊断码数据以确定长新冠风险因素
机器学习
2023-11-13 v1 人工智能
摘要
SARS-CoV-2感染的急性后期后遗症（PASC）即长新冠（Long COVID）是一种新出现的医学病症，已在多名COVID-19阳性诊断患者中被观察到。诸如诊断码、实验室结果与临床笔记等历史电子健康记录（EHR）已通过深度学习进行分析，并用于预测未来临床事件。本文中，我们提出一种可解释的深度学习方法来分析来自国家COVID队列协作组（N3C）的历史诊断码数据，以寻找导致长新冠发展的风险因素。利用我们的深度学习方法，我们能够从每位患者首次COVID阳性检测或诊断后至多45天的时间有序诊断码列表中预测其是否罹患长新冠，准确率为70.48%。随后我们可使用梯度加权类激活映射（GradCAM）检查训练后的模型，为每个输入诊断打分。得分最高的诊断被视为对患者正确预测最为重要。我们还提出了一种方法来总结队列中每位患者的这些顶级诊断，并观察其时间趋势，以确定哪些诊断码对长新冠阳性诊断有贡献。
引用
@article{arxiv.2210.02490,
title = {Analyzing historical diagnosis code data from NIH N3C and RECOVER Programs using deep learning to determine risk factors for Long Covid},
author = {Saurav Sengupta and Johanna Loomba and Suchetha Sharma and Donald E. Brown and Lorna Thorpe and Melissa A Haendel and Christopher G Chute and Stephanie Hong},
journal= {arXiv preprint arXiv:2210.02490},
year = {2023}
}