面向儿科疾病预测与评估的统一深度学习框架

《BMC Medical Informatics and Decision Making》：A unified deep learning framework for prediction and evaluation of pediatric diseases

　　

摘要

背景

医学信息的进步增加了临床决策的复杂性，并在资源配置方面引入了不确定性。儿科疾病的自动预测可以改善资源配置，指导儿科临床实践，应对诊断不确定性和复杂性。

方法

我们开发并评估了一种统一的深度学习框架，用于基于汕头大学医学院第二附属医院2017年至2023年间儿科门诊和儿科急诊科178,601例患者的电子病历进行疾病分类和预测。我们使用常用的神经网络架构验证了该框架的有效性，并提出了一种新颖的网络，通过利用上下文（局部）信息和长程信息来提高预测性能。

结果

实验结果表明，所提出的统一深度学习框架在儿科疾病分类和预测方面是有效的。常用网络在该框架内取得了令人满意的表现，而新引入的能够捕捉上下文和长程依赖关系的网络进一步提高了预测能力。总体而言，该框架显示出在诊断不确定和复杂情况下支持临床决策的潜力。

结论

本研究开发的统一深度学习框架及其增强网络能够从大规模儿科电子病历数据中提供可靠的临床决策支持，有助于优化临床工作流程和资源配置，并缓解诊断复杂性带来的挑战。