HgbNet：基于电子健康记录数据预测血红蛋白水平/贫血程度
机器学习
2024-01-23 v1
摘要
贫血是一种普遍的医疗状况，通常需要侵入性血液检测来进行诊断和监测。电子健康记录 (EHR) 已成为众多医学研究的宝贵数据源。基于 EHR 的血红蛋白水平/贫血程度预测是非侵入性且快速的，但由于 EHR 数据通常是包含大量缺失值和不规则时间间隔的不规则多元时间序列，因此仍面临一些挑战。为解决这些问题，我们引入了 HgbNet，这是一种基于机器学习的预测模型，模拟临床医生进行血红蛋白水平/贫血程度预测的决策过程。该模型结合了带有缺失指示符的 NanDense 层以处理缺失值，并采用注意力机制以兼顾局部不规则性和全局不规则性。我们使用两个真实世界数据集在两个用例中评估了所提出的方法。在第一个用例中，我们利用 T+1 时刻之前的记录来预测 T+1 时刻的血红蛋白水平/贫血程度。在第二个用例中，我们将所有历史记录与 T+1 时刻额外选定的测试结果相结合，以预测同一时刻 T+1 的血红蛋白水平/贫血程度。HgbNet 在所有数据集和用例中均优于最佳基线结果。这些发现证明了从 EHR 数据估算血红蛋白水平和贫血程度的可行性，使 HgbNet 成为一种有效的非侵入性贫血诊断解决方案，有望提高全球数百万受影响个体的生活质量。据我们所知，HgbNet 是首个利用 EHR 数据进行血红蛋白水平/贫血程度预测的机器学习模型。
引用
@article{arxiv.2401.12002,
title = {HgbNet: predicting hemoglobin level/anemia degree from EHR data},
author = {Zhuo Zhi and Moe Elbadawi and Adam Daneshmend and Mine Orlu and Abdul Basit and Andreas Demosthenous and Miguel Rodrigues},
journal= {arXiv preprint arXiv:2401.12002},
year = {2024}
}