HiDiNet：用于衰老健康与生存建模的高维可解释网络

《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

衰老是一个高维度的随机过程，具有复杂的纵向动态变化。本文提出了HiDiNet（High-Dimensional Interpretive Network，高维可解释网络），一个用于预测个体健康轨迹和连续时间生存状况的框架。与在固定离散时间步长上运行的传统序列模型不同，HiDiNet使用随机微分方程（SDEs）来表示健康演化过程，并集成基于Transformer的注意力机制以捕捉长程时间依赖关系。一个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。在英国老龄化纵向研究（ELSA；10个波次，1998–2019年）上的评估表明，HiDiNet优于循环神经网络（RNN）和Elastic-Net模型（Brier分数：0.33 vs 0.42 vs 0.70；C-指数：0.968 vs 0.951 vs 0.700），并且在保持可比区分能力（C-指数：0.968 vs 0.978）的同时，实现了比仅使用Transformer的模型更可靠的校准（D-校准p = 0.932 vs 0.280）。其连续时间公式能够适应纵向护理中常见的不规则随访安排，并支持跨时间范围的稳定且校准良好的风险估计。这些特性，加上交互层面的透明解释，突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服务。通过将随机动力学与基于注意力的时间建模相结合，该框架为未来整合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）

本摘要由自动化工具生成，未经本文作者撰写或审阅。本摘要旨在辅助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文。本摘要意在补充作者提供的摘要，后者仍为本文的主要摘要。全文仍为权威的正式版本。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于优化和改进未来重新生成的版本。

要查看此AI生成的通俗摘要，您必须拥有高级访问权限。