基于深度学习的心血管疾病风险预测模型

摘要

cqvip:心血管疾病的准确预测对其预防工作有着重大的意义,本文提出一种基于电子病历数据挖掘的模型研究心血管疾病的风险预测。该模型利用循环神经网络等技术对患者的历史电子病历数据进行表征学习,不仅能有效捕获电子病历数据中的时序特征,而且其特征工程无需人工干预。此外,在循环神经网络上嵌入的关注机制从每个患者的数据学到了一个上下文向量,该向量能有效增强深度模型的拟合能力和可解释性。为了进一步提高心血管疾病风险预测的准确性,该模型融合了多种类型的临床数据,包括诊断编码序列、实验室数据以及人口学统计数据。该模型利用多个子模块进行表征学习,不仅能充分考虑到数据之间的差异性,还能考虑到它们之间潜在的关联性,最终提高心血管疾病风险预测的性能。实验结果表明,在心血管疾病风险预测的性能方面,该模型相比最新的几种方法具有较高的召回率、F1值和AUC值,其分别可达0.8149、0.7378和0.8375。