LSTM 在预测充血性心力衰竭发病中的有效性

在本文中，我们提出一种基于循环神经网络（RNN）的架构，在 216,394 名患者的大型队列上使用 12 个月观察窗口，提前 15 个月预测充血性心力衰竭（CHF）发病，取得了 0.9147 的 AUCROC。我们认为这是关于 CHF 发病预测的规模最大的研究，就队列中 CHF 病例患者数量以及报告 AUC 指标的测试集（3,332 名 CHF 患者）而言皆是如此。我们探究了基于 LSTM（长短期记忆）的模型（RNN 的一种变体）与已知线性基线（如逻辑回归、随机森林）以及基于深度学习的模型（如多层感知机和卷积神经网络）相比，能在多大程度上准确预测 CHF 发病。我们利用来自 21,405 名 CHF 患者和 194,989 名对照患者的 demographics、医疗诊断和手术数据作为特征。我们描述了针对医疗诊断编码的特征嵌入策略，该策略适应了 EHR 数据的稀疏、不规则、纵向和高维特性。我们通过实验证明，LSTM 比所提基线能更好地捕捉 EHR 数据的纵向特征。作为对模型解释的尝试，我们提出了一种基于时间数据分析的技术，对假阳性进行特征重要性归因。一个能够以如此准确度和精度在未来数月预测充血性心力衰竭发病的模型，可支持从业者实施危险因素降低策略，并帮助研究人员开始系统评估干预措施，以潜在地延迟或避免这种高死亡率、高发病率且费用高昂的疾病的发展。