利用电子健康记录数据学习识别未控制高血压风险患者
计算机与社会
2019-07-02 v1 机器学习
机器学习
摘要
高血压是卒中、心血管疾病和终末期肾病的主要风险因素，其患病率预计将急剧上升。因此，有效的高血压管理至关重要。一个特别优先事项是降低未控制高血压的发生率。早期识别有未控制高血压风险的患者将允许有针对性地使用个性化、主动的治疗。我们开发了机器学习模型（逻辑回归和循环神经网络）来对患者进行分层，以评估其在接下来三个月内出现未控制高血压的风险。我们分别使用来自 14,407 和 3,009 名患者的 EHR（电子健康记录）数据训练和测试模型。最佳模型达到了 0.719 的 AUROC，优于仅基于最后一次血压测量进行预测的简易竞争性基线（0.634）。或许令人惊讶的是，对于该任务，循环神经网络并未优于简单的逻辑回归，这表明线性模型应作为使用 EHR 的预测任务的强基线。
引用
@article{arxiv.1907.00089,
title = {Learning to Identify Patients at Risk of Uncontrolled Hypertension Using Electronic Health Records Data},
author = {Ramin Mohammadi and Sarthak Jain and Stephen Agboola and Ramya Palacholla and Sagar Kamarthi and Byron C. Wallace},
journal= {arXiv preprint arXiv:1907.00089},
year = {2019}
}
备注
Accepted at The AMIA informatics summit 2019