面向高危人群的、基于图增强的人工智能驱动的被动监测系统用于早期中风风险检测
机器学习
2026-02-27 v1
摘要
中风每年发生数百万例，但因症状识别不佳常导致就医延迟。为解决风险识别差的问题，我们开发了一种基于糖尿病患者自我上报症状的早期中风风险检测被动监测系统。我们构建了基于患者自身语言的症状分类学体系，并采用双机器学习管道（异构图神经网络和EN/LASSO），识别与后续中风相关的症状模式。将发现结果转化为集成症状相关性和时间接近性的混合风险筛查系统，通过EHR-based模拟在3-90天窗口中进行评估。在保守阈值下（旨在最小化误报），筛查系统实现了高特异度（1.00）和患病率调整后正预测值（1.00），灵敏度良好（0.72），这是一种以提高精度为优先级的预期权衡，在90天窗口中表现最佳。基于患者自报语言即可实现高精度、低负担的早期中风风险检测，为高危人群提供了临床评估和干预的宝贵时间窗口。
引用
@article{arxiv.2602.22228,
title = {Patient-Centered, Graph-Augmented Artificial Intelligence-Enabled Passive Surveillance for Early Stroke Risk Detection in High-Risk Individuals},
author = {Jiyeong Kim and Stephen P. Ma and Nirali Vora and Nicholas W. Larsen and Julia Adler-Milstein and Jonathan H. Chen and Selen Bozkurt and Abeed Sarker and Juhee Cho and Jindeok Joo and Natali Pageler and Fatima Rodriguez and Christopher Sharp and Eleni Linos},
journal= {arXiv preprint arXiv:2602.22228},
year = {2026}
}