基于Transformer的慢性肾脏病恶化事件发生时间预测
机器学习
2024-05-03 v1 计算与语言
摘要
深度学习技术，特别是transformer模型，在提升纵向健康记录预测性能方面展现出巨大潜力。先前的方法主要关注固定时间风险预测，而事件发生时间预测（亦称生存分析）往往更适用于临床场景。在此，我们提出一种名为STRAFE的新型深度学习架构，这是一种基于transformer的可泛化生存分析架构，用于电子健康记录。STRAFE的性能使用超过130,000名3期慢性肾脏病（CKD）个体的真实世界理赔数据集进行评估，结果发现其在预测恶化至5期的确切时间上优于其他事件发生时间预测算法。此外，STRAFE在预测固定时间风险方面优于二分类结局算法，这可能归因于其能在删失数据上训练的能力。我们展示STRAFE预测可将高风险患者的阳性预测值提升3倍，展示了其用于改善干预项目靶向性的可能用途。最后，我们提出一种针对每位患者预测的新的可视化方法。总之，STRAFE是一种前沿的事件发生时间预测算法，有望增强大型理赔数据集中的风险预测。
引用
@article{arxiv.2306.05779,
title = {Transformer-based Time-to-Event Prediction for Chronic Kidney Disease Deterioration},
author = {Moshe Zisser and Dvir Aran},
journal= {arXiv preprint arXiv:2306.05779},
year = {2024}
}