HiDiNet：用于建模衰老健康与生存的高维可解释网络

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

　　

摘要AI 摘要

要查看此 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

衰老是一个高维、随机过程，具有复杂的纵向动力学特性。本工作引入了 HiDiNet（高维解释网络），这是一个用于预测个体健康轨迹和连续时间内生存率的框架。与传统在固定离散时间步上操作的顺序模型不同，HiDiNet 使用随机微分方程（SDEs）来表示健康演变，并整合基于 Transformer 的注意力机制来捕捉长程时间依赖关系。三维交互网络通过可视化跨变量效应和成对相关关系来支持可解释性。在英国老龄化纵向研究（ELSA；10 个波浪，1998–2019）上评估，HiDiNet 的表现优于循环神经网络（RNN）和弹性网络（Elastic-Net）模型（Brier 评分 0.33 对 0.42 对 0.70；C 指数 0.968 对 0.951 对 0.700），并且比仅使用 Transformer 的模型实现了更可靠的校准（D-校准p = 0.932 对 0.280），同时保持可比的分界能力（C 指数 0.968 对 0.978）。其连续时间公式适应了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、校准良好的风险估计。这些特性，加上交互层面的透明解释，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间建模相结合，该框架为未来集成到临床和社区健康决策支持工具中奠定了基础。

AI 摘要

AI 生成摘要（实验性）

本摘要使用自动化工具生成，未经过文章作者撰写或审核。提供此摘要是为了支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。全文仍然是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性发表评论。这样做将有助于改进和未来重新生成的版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。