随着电子病历(EHR)的广泛应用,基于深度学习的临床健康事件预测引起了众多研究者的关注。现有工作主要集中在挖掘患者的高阶时间特征,未能有效地学习疾病之间的隐关系。针对疾病表征学习的问题,本文提出一种新的疾病表示模型(Health Eve...随着电子病历(EHR)的广泛应用,基于深度学习的临床健康事件预测引起了众多研究者的关注。现有工作主要集中在挖掘患者的高阶时间特征,未能有效地学习疾病之间的隐关系。针对疾病表征学习的问题,本文提出一种新的疾病表示模型(Health Event Prediction Model Based on Dynamic and Static Features of Graph Nodes,DuDas)。该模型最终挖掘出的疾病隐表征包含静态和动态信息,最终实现对临床任务的预测。首先根据疾病共现频率构建疾病关系图,并通过one-hot编码模块为每个疾病节点分配一个初始隐表征。然后根据静态挖掘模块挖掘疾病的静态表征,并与相应的初始隐表征融合为初始动态隐表征。根据图卷积模块挖掘疾病之间的动态关系,学习疾病节点的最终动态隐表征。由于患者的就诊记录具有时间性,本文使用门控循环单元来挖掘历史诊断信息与当前诊断信息之间的关系。为了验证本文提出的方法的有效性,在2个真实数据集上进行实验。实验结果表明,本文提出的模型在预测健康事件任务上达到了更高水平。展开更多
文摘目的研究川崎病(Kawasaki disease,KD)患儿急性期血脂水平与冠脉病变关系,探讨是否可以将血脂水平作为川崎病监测指标。方法回顾性分析2020年1月—2022年7月福建医科大学附属三明第一医院儿科收治的47例KD患儿资料,根据心脏彩超检查冠脉情况结果分为冠脉病变组(n=23)和冠脉正常组(n=24),同时进行血脂4项检测:三酰甘油(triglyceride,TG)、总胆固醇(total cholesterol,TC)、低密度脂蛋白胆固醇(low density lipoprotein cholesterol,LDL-C)、高密度脂蛋白胆固醇(high density lipoprotein cholesterol,HDL-C)。比较两组患儿TG、TC、LDL-C、HDL-C有无差异。结果KD患儿急性期(1~9 d病程)冠脉病变组测定的血TG、TC、LDL-C及HDL-C与冠脉正常组比较,差异有统计学意义(P<0.05)。结论KD患儿急性期血脂水平可作为早期诊断KD患儿并发冠脉病变的重要指标之一,具有理想的应用价值。
文摘随着电子病历(EHR)的广泛应用,基于深度学习的临床健康事件预测引起了众多研究者的关注。现有工作主要集中在挖掘患者的高阶时间特征,未能有效地学习疾病之间的隐关系。针对疾病表征学习的问题,本文提出一种新的疾病表示模型(Health Event Prediction Model Based on Dynamic and Static Features of Graph Nodes,DuDas)。该模型最终挖掘出的疾病隐表征包含静态和动态信息,最终实现对临床任务的预测。首先根据疾病共现频率构建疾病关系图,并通过one-hot编码模块为每个疾病节点分配一个初始隐表征。然后根据静态挖掘模块挖掘疾病的静态表征,并与相应的初始隐表征融合为初始动态隐表征。根据图卷积模块挖掘疾病之间的动态关系,学习疾病节点的最终动态隐表征。由于患者的就诊记录具有时间性,本文使用门控循环单元来挖掘历史诊断信息与当前诊断信息之间的关系。为了验证本文提出的方法的有效性,在2个真实数据集上进行实验。实验结果表明,本文提出的模型在预测健康事件任务上达到了更高水平。
