基于时空注意力预测长期新冠患者预后
机器学习
2023-07-12 v1
摘要
长期新冠（Long COVID）是COVID-19急性后期后遗症的统称。长期新冠患者可承受疲劳、头痛、呼吸困难和嗅觉丧失等持久症状。识别具有严重长期并发症的COVID-19队列有助于治疗规划与资源调配。然而，由于长期新冠患者表型异质，难以从其纵向数据预测预后。本研究提出一种时空注意力机制，从时间维度和特征空间联合加权特征重要性。考虑到医学检查在相邻时间点顺序可互换，我们以Local-LSTM学习短期依赖，以联合时空注意力学习长期依赖。我们还将所提方法与若干最先进（state-of-the-art）方法及一种临床实用方法比较。方法在一个难以获取的长期新冠患者临床数据集上评估。实验结果表明，带联合时空注意力的Local-LSTM在预后预测上优于相关方法。所提方法为长期新冠严重程度评估提供了临床工具。
引用
@article{arxiv.2307.04770,
title = {Predicting Outcomes in Long COVID Patients with Spatiotemporal Attention},
author = {Degan Hao and Mohammadreza Negahdar},
journal= {arXiv preprint arXiv:2307.04770},
year = {2023}
}