基于电子健康记录的集成深度学习肝炎患者生存预测框架

《Scientific Reports》：Collaborative deep neural network for survival prediction of hepatitis patients using electronic health records

　　

摘要

肝炎感染构成了一种全球健康威胁，具有显著的发病率和死亡率影响。早期且精准的生存预测在指导临床决策和改善患者预后方面起着至关重要的作用。电子健康记录（EHRs）包含了关于患者病史的大量信息。EHRs 中数据量的增加意味着它们对于数据驱动的医疗研究变得越来越有价值。随着 EHR 数据的快速增长，逐渐需要复杂的分析技术来捕捉有意义的模式并支持预测建模。深度学习（DL）技术的最新进展展示了从数据中学习特征表示的能力，并在多个领域提升了模型性能。在医疗保健领域，DL 技术也已成功应用于临床事件预测、疾病分类和基于 EHR 的分析，取得了非凡的成果。这些发展强调了 DL 系统增强肝炎患者生存预测的能力。因此，本研究提出了一个肝炎患者生存预测集成深度学习框架（EDLF-SPHP）。提出的模型旨在利用 EHR 数据准确预测肝炎患者的生存结果。为了实现这一目标，提出的框架首先执行预处理，通过数据标准化、缺失数据处理和目标值编码为输入 EHR 数据的分析做准备，确保数据的一致性以便进一步分析。为了实现稳健的特征选择，提出的 EDLF-SPHP 模型结合了斯皮尔曼等级相关和方差分析（ANOVA）方法，以识别并保留最重要的属性。最后，设计了基于软投票的集成分类以确保可靠的生存预测，整合了三个互补架构：稀疏自编码器、双向时间卷积网络和深度置信网络。通过结合它们的预测输出，该模型增强了整体分类性能，并在预测肝炎患者的生存表现方面取得了更高的准确性。此外，利用 SHAP 来解释模型的预测，通过归因每个特征对最终输出的贡献，从而增强可解释性，并针对特征重要性提供全局和局部洞察。EDLF-SPHP 方法的实验结果分析应用于一个基准肝炎数据集，比较结果显示，与现有系统相比，该方案在不同指标下均有所改进。