开发用于预测髋关节置换的时序图卷积神经网络模型
机器学习
2024-09-11 v1 人工智能
摘要
背景：髋关节置换手术通过缓解疼痛和恢复行动力，改善患者生活。提前预测髋关节置换可通过实现及时干预、优先安排手术或康复、并利用理疗来潜在延迟关节置换的需求，从而减少疼痛。本研究旨在一年前预测髋关节置换，以提升生活质量和医疗服务效率。方法：改编先前工作中的时序图卷积神经网络（TG-CNN）模型，我们从主要护理医疗事件代码中构建时序图，来源于 40-75 岁患者的 ResearchOne EHRs，用于预测髋关节置换风险。我们按年龄、性别和多重剥夺指数匹配髋关节置换病例与对照。该模型在 9,187 例病例和 9,187 例对照上训练，提前一年预测髋关节置换风险。我们在两个不可见数据集上对模型进行验证，重新校准以处理类别不平衡。此外，我们进行了消除研究并与四个基线模型进行比较。结果：我们最佳模型在一年前预测髋关节置换风险，AUROC 为 0.724（95% 置信区间：0.715-0.733），AUPRC 为 0.185（95% 置信区间：0.160-0.209），在重新校准后实现校准斜率为 1.107（95% 置信区间：1.074-1.139）。结论：TG-CNN 模型通过识别患者轨迹中的模式，有效预测髋关节置换风险， potentially 改善对髋关节相关疾病的理解和管理。
引用
@article{arxiv.2409.06585,
title = {Developing the Temporal Graph Convolutional Neural Network Model to Predict Hip Replacement using Electronic Health Records},
author = {Zoe Hancox and Sarah R. Kingsbury and Andrew Clegg and Philip G. Conaghan and Samuel D. Relton},
journal= {arXiv preprint arXiv:2409.06585},
year = {2024}
}
备注
Accepted to the 2024 International Conference on Machine Learning and Applications (ICMLA). 8 pages, 3 figures, 7 tables