基于电子健康记录数据的肥胖预测：一种带可解释要素的深度学习方法

儿童肥胖是一项重大公共卫生挑战。早期预测并识别处于发生儿童肥胖高风险的儿童，有助于更早开展更有效的干预以预防和管理肥胖。现有大多数儿童肥胖预测工具主要依赖传统回归类方法，仅使用少数人工挑选的特征，且未利用儿童数据的纵向模式。深度学习方法允许使用高维纵向数据集。本文提出一种深度学习模型，旨在根据儿童病史中普遍可得的项目预测未来的肥胖模式。为此，我们使用来自大型儿科医疗系统的大规模未增强电子健康记录数据集。我们采用通用的LSTM网络架构，该架构已知能更好地表征纵向数据。我们在动态和静态EHR数据上训练所提出的模型。我们的模型用于预测2至20岁年龄段的肥胖情况。我们将LSTM模型的性能与其他对序列数据聚合而忽略时间性的机器学习方法进行比较。为增加可解释性，我们额外加入一个注意力层来计算各时间戳的注意力分数并对每个时间戳的特征排序。