HiDiNet：一种高维解释网络，用于模拟健康衰退与生存状况

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

　　

摘要 人工智能摘要

要查看此人工智能生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

衰老是一个高维的、随机的过程，具有复杂的纵向动态特征。本研究介绍了HiDiNet（高维解释网络），这是一个用于预测个体健康轨迹和持续时间生存率的框架。与在固定、离散时间步上运行的传统序列模型不同，HiDiNet使用随机微分方程（SDEs）来表示健康演变，并结合基于Transformer的注意力机制来捕捉长期时间依赖性。一个三维交互网络通过可视化变量间效应和成对相关性来支持可解释性。在对英国老年纵向研究（ELSA；1998-2019年，共10波数据）的评估中，HiDiNet的表现优于循环神经网络（RNN）和弹性网络模型（Brier分数分别为0.33、0.42和0.70；C指数分别为0.968、0.951和0.700），并且其校准比仅使用Transformer的模型更可靠（D校准值p分别为0.932和0.280），同时保持了相当的区分能力（C指数分别为0.968和0.978）。其连续时间 formulation 能够适应纵向护理中常见的不规则随访安排，并支持在不同时间范围内获得稳定且校准准确的风险估计。这些特性，加上在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推广。通过将随机动态与基于注意力的时间建模相结合，该框架为未来整合到临床和社区健康决策支持工具中奠定了基础。

人工智能摘要

人工智能生成摘要（实验性）

此摘要是使用自动化工具生成的，未经过文章作者的撰写或审阅。它旨在辅助发现、帮助读者评估相关性和帮助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。完整文章是权威版本。点击此处了解更多关于ACM人工智能摘要的信息。

点击这里对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来版本的生成。

要查看此人工智能生成的通俗语言摘要，您必须具有高级访问权限。