HiDiNet：用于建模老年健康与生存的高维解释网络

《Digital Government: Research and Practice》：HiDiNet: High-Dimensional Interpretive Network for Modeling Aging Health and Survival

　　

摘要AI摘要

如需查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

衰老是一个具有复杂纵向动态特征的高维随机过程。本文提出HiDiNet（高维解释网络），一个用于预测个体健康轨迹和连续时间内生存情况的框架。与传统基于固定离散时间步长的序列模型不同，HiDiNet使用随机微分方程（SDE）来表示健康演变，并集成基于Transformer的注意力机制以捕获长程时间依赖性。三维交互网络通过可视化跨变量效应和成对相关性来支持可解释性。在英国纵向衰老研究（ELSA；10个波次，1998–2019年）上的评估表明，HiDiNet的表现优于循环神经网络（RNN）和弹性网络模型（Brier得分0.33 vs 0.42 vs 0.70；C指数0.968 vs 0.951 vs 0.700），并比仅使用Transformer的模型实现更可靠的校准（D-校准p = 0.932 vs 0.280），同时保持相当的判别能力（C指数0.968 vs 0.978）。其连续时间表述能够适应纵向护理中常见的不规则随访计划，并支持跨时间范围稳定且校准良好的风险评估。这些特性，连同交互层级的透明解释，凸显了智能健康应用的潜力，包括人群风险分层、公平性监测以及跨护理网络的协调外展。通过将随机动力学与基于注意力的时序建模相结合，该框架为未来整合到临床和社区健康决策支持工具中提供了基础。

AI摘要

AI生成的摘要（实验性）

此摘要使用自动化工具生成，未经文章作者撰写或审阅。它旨在支持文献发现，帮助读者评估相关性，并协助来自相邻研究领域的读者理解该工作。本摘要旨在补充作者提供的摘要，后者仍是论文的主要摘要。全文始终是权威版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进和未来的重新生成版本。

如需查看此AI生成的通俗语言摘要，您必须拥有高级访问权限。