基于序列建模预测心力衰竭患者一年临床不稳定和死亡风险
机器学习
2026-04-28 v3 人工智能
摘要
心力衰竭 (HF) 的出院计划取决于识别患者风险，以便及时干预。然而，从常规收集的电子健康记录 (EHR) 中进行准确预测仍具有挑战性。我们开发并验证了用于挪威心力衰竭队列中 (N = 42,820) 三个一年预测任务的序列模型：术后临床不稳定 (再入院的表型) 和术后死亡，以及最近一次住院后的死亡。一个模块化的三组分框架将结构化EHR转换为患者序列，通过指定分词策略、时间表示和模型配置。患者数据包括诊断、生命体征、实验室检查、药物和程序。自回归下一词预测模型在短上下文设置 (<= 512 个标记) 中始终优于其他目标。最佳模型 (Llama) 实现的AUPRCs (95% 置信区间) 为 0.555 (0.535-0.575), 0.582 (0.558-0.608)，和 0.854 (0.842-0.865)，并表现出稳健的校准。消融实验表明，Llama 和 Mamba 变体学习了高效的患者表征，微小配置甚至超过了更大的常规基线，这表明模型规模本身并不一定能提升性能。在临床概念有限或训练数据不足时，Llama 仍能保持强大的性能，经常超过完整数据基线。将临床不稳定和死亡预测结合起来定义了四种不同的护理路径，从标准初级护理到高度集中的居家护理，以支持出院时的患者中心决策。这一发现表明可以从常规病房数据中进行准确的风险预测，提供可操作的开发指导，并支持出院后的风险分层。
引用
@article{arxiv.2511.16839,
title = {Predicting one-year clinical instability and mortality in heart failure patients using sequence modeling},
author = {Falk Dippel and Yinan Yu and Annika Rosengren and Martin Lindgren and Christina E. Lundberg and Erik Aerts and Martin Adiels and Helen Sjöland},
journal= {arXiv preprint arXiv:2511.16839},
year = {2026}
}