基于圖節(jié)點(diǎn)動(dòng)靜態(tài)特征的健康事件預(yù)測(cè)模型

陳俊義

（南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇 南京 211106）

0 引 言

電子病歷（EHR）是一種多變量時(shí)間序列數(shù)據(jù)，記錄患者在醫(yī)院的就診數(shù)據(jù)，例如確診疾病、各項(xiàng)抽檢指標(biāo)等［1］。研究人員根據(jù)EHR 提供的寶貴數(shù)據(jù)對(duì)健康事件進(jìn)行預(yù)測(cè)。對(duì)健康事件的準(zhǔn)確預(yù)測(cè)有利于醫(yī)生對(duì)患者進(jìn)行預(yù)防性健康監(jiān)測(cè)和實(shí)施個(gè)性化護(hù)理計(jì)劃，降低醫(yī)療成本。

近年來，由于卷積神經(jīng)網(wǎng)絡(luò)具有超強(qiáng)的特征表征學(xué)習(xí)能力，許多利用EHR 數(shù)據(jù)的深度學(xué)習(xí)模型被提出，以解決健康事件預(yù)測(cè)。現(xiàn)有工作大多采用時(shí)間任務(wù)模型。例如Bai 等人［2］通過RNN 模型挖掘EHR 數(shù)據(jù)的時(shí)間特征。然而，時(shí)間序列模型將確診疾病視為彼此獨(dú)立，并沒有考慮疾病之間的相互關(guān)系。

患者一次就診會(huì)產(chǎn)生一組生命體征數(shù)據(jù)和一組確診疾病。因此，確診疾病之間存在某種靜態(tài)關(guān)系——確診疾病共享這組體征數(shù)據(jù)。

如圖1 所示，患者的臨床健康處在變化的過程，不同時(shí)間就診所確診的疾病組合不同。圖中橘色節(jié)點(diǎn)表示當(dāng)前就診的確診疾病，白色節(jié)點(diǎn)表示當(dāng)前就診未確診的疾病。在每次就診時(shí)，都需要挖掘疾病之間的動(dòng)態(tài)關(guān)系、學(xué)習(xí)疾病的動(dòng)態(tài)表征，以更好地挖掘確診疾病對(duì)當(dāng)前就診患者的影響。

圖1 不同就診記錄中的確診疾病組示意圖

近期，出現(xiàn)了少量從疾病關(guān)系進(jìn)行構(gòu)圖建模的工作。例如，Lu 等人［3］構(gòu)建疾病關(guān)系圖，并通過圖神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)挖掘疾病在特征空間中的表示。然而，Lu并未考慮疾病之間的靜態(tài)關(guān)系，因此需要使用多個(gè)關(guān)系圖才能更好地挖掘疾病的隱表征，導(dǎo)致模型參數(shù)量過大、訓(xùn)練時(shí)間過長、預(yù)測(cè)性能較差。

為了減少模型學(xué)習(xí)中使用關(guān)系圖的數(shù)量，以降低模型的復(fù)雜度，本文提出一種融合疾病動(dòng)態(tài)和靜態(tài)信息的表征方法。首先，構(gòu)建全局疾病節(jié)點(diǎn)圖，然后設(shè)計(jì)一種動(dòng)靜態(tài)特征融合機(jī)制，挖掘疾病節(jié)點(diǎn)的隱表征，最后使用門控循環(huán)單元（GRU）挖掘歷史診斷信息與當(dāng)前診斷信息的關(guān)系。本文的主要工作歸納為2點(diǎn)：

1）提出一種基于臨床生命體征數(shù)據(jù)的疾病靜態(tài)特征挖掘方法，并提出了一種基于one-hot 的疾病編碼方式。

2）提出一種有效的動(dòng)靜態(tài)特征融合機(jī)制，并通過實(shí)驗(yàn)對(duì)比各基線模型，驗(yàn)證本文模型的有效性。

1 相關(guān)工作

1.1 臨床健康預(yù)測(cè)

臨床健康預(yù)測(cè)是指根據(jù)患者以往的就診信息，例如就診時(shí)間、疾病確診情況、人口統(tǒng)計(jì)學(xué)信息等對(duì)患者未來的健康狀況進(jìn)行預(yù)測(cè)，例如ICU轉(zhuǎn)移預(yù)測(cè)、ICU死亡風(fēng)險(xiǎn)預(yù)測(cè)、患者身體狀況惡化預(yù)測(cè)等?，F(xiàn)有的健康表征方法包括傳統(tǒng)方法和深度學(xué)習(xí)方法。

在過去幾年中，EHR 的臨床數(shù)據(jù)量呈爆炸式增長，各種深度學(xué)習(xí)模型［4-11］被提出用于健康事件的預(yù)測(cè)。例如CCARNN［12］考慮時(shí)間的變化，并使用RNN基于挖掘的ECG 特征來檢測(cè)心力衰竭。然而，這些工作沒有利用EHR 數(shù)據(jù)中的疾病共現(xiàn)信息，因此無法挖掘疾病的隱特征，進(jìn)而實(shí)現(xiàn)臨床疾病預(yù)測(cè)。

1.2 疾病關(guān)系圖結(jié)構(gòu)

圖結(jié)構(gòu)存在于各種各樣的現(xiàn)實(shí)世界場(chǎng)景中，分析這些圖結(jié)構(gòu)可以深入了解如何很好地利用隱藏在圖結(jié)構(gòu)中的隱信息［13-15］。

近年的研究成果顯示出圖結(jié)構(gòu)對(duì)EHR 數(shù)據(jù)建模也具備有效性。例如，Shang 等人［16］提出一種新模型，它結(jié)合了圖神經(jīng)網(wǎng)絡(luò)和BERT［17］的強(qiáng)大功能，用于醫(yī)療代碼表示和藥物推薦。

盡管這些方法利用了EHR 數(shù)據(jù)的各種圖形結(jié)構(gòu)，但它們并未對(duì)疾病本身進(jìn)行建模。少量工作通過構(gòu)建疾病之間的圖關(guān)系，挖掘疾病之間的影響關(guān)系，進(jìn)而學(xué)習(xí)疾病的隱表征。例如Lu 等人［3］提出的Chet模型利用疾病的共現(xiàn)信息構(gòu)建了1個(gè)全局疾病圖和2個(gè)確診疾病子圖，通過圖卷積網(wǎng)絡(luò)動(dòng)態(tài)地學(xué)習(xí)疾病節(jié)點(diǎn)的隱表征。

然而，Chet 模型需要構(gòu)建的子圖過多，且未挖掘疾病的靜態(tài)特征，不能很好地表征疾病，導(dǎo)致模型的預(yù)測(cè)性能較差。

1.3 時(shí)間關(guān)系挖掘

在醫(yī)療保健領(lǐng)域，挖掘時(shí)間的依賴關(guān)系非常重要［18-19］。許多研究人員設(shè)計(jì)了不同的模型來挖掘可能的時(shí)間模式?；赗NN的模型在對(duì)復(fù)雜的EHR數(shù)據(jù)建模及預(yù)測(cè)方面，尤其在對(duì)慢性病相關(guān)任務(wù)的預(yù)測(cè)非常強(qiáng)大。

然而，當(dāng)時(shí)間序列跨度較長時(shí)，RNN 模型會(huì)出現(xiàn)梯度爆炸和梯度消失等問題。為了解決這個(gè)問題，后續(xù)研究人員使用長短期記憶（LSTM）模型或門控卷積模型（GRU）替代RNN模型。

2 問題描述

重癥監(jiān)護(hù)醫(yī)療信息MIMIC-Ⅲ是一個(gè)大型單中心數(shù)據(jù)庫，包含生命體征數(shù)據(jù)、疾病診斷代碼、住院時(shí)間和存活狀態(tài)等信息。本文模型使用到的符號(hào)如表1所示。

表1 本文模型使用的符號(hào)

本文的預(yù)測(cè)任務(wù)可以表示為：給定某患者的疾病診斷結(jié)果數(shù)據(jù)集Rp及就診體征信息數(shù)據(jù)集Qp，預(yù)測(cè)在第v+1 次就診中，患者是否患有心力衰竭yv+1∈{ 0，1} 。

3 動(dòng)靜態(tài)特征融合（DuDas）模型

在本章中，將闡述本文提出的DuDas模型的詳細(xì)技術(shù)。如圖2所示，DuDas 模型由5個(gè)部分組成：靜態(tài)挖掘模塊、one-hot 編碼模塊、特征融合模塊、圖卷積模塊和GRU模塊。

圖2 DuDas模型框架圖

3.1 疾病節(jié)點(diǎn)的靜態(tài)表征

患者每次就診會(huì)確診出一組疾病，同時(shí)患者會(huì)在間隔均勻的多個(gè)時(shí)間步長上接受對(duì)生命體征信息的監(jiān)測(cè)。即患者單次就診記錄包含多個(gè)臨床體征信息序列和一組確診疾病。由于二者存在一對(duì)多或多對(duì)多的映射關(guān)系，為了挖掘二者的內(nèi)在關(guān)聯(lián)性，本文給出一種隨機(jī)抽樣取均值的方法來更好地實(shí)現(xiàn)疾病與生命體征信息二者的一一映射。具體方式如下：

在所有患者的體征信息數(shù)據(jù)集H中，隨機(jī)選取條K與確診疾病di相對(duì)應(yīng)的生命體征時(shí)序數(shù)據(jù)：

然后根據(jù)此數(shù)據(jù)集合取平均值：

生命體征監(jiān)測(cè)信息反映了患者的臨床健康狀況，定義上述方式挖掘的隱特征adi為疾病節(jié)點(diǎn)的靜態(tài)表征。那么，所有疾病的靜態(tài)表征為As={adi|di∈d}。

3.2 構(gòu)造全局疾病圖

構(gòu)造一個(gè)無向圖來表示疾病之間的共現(xiàn)關(guān)系。圖節(jié)點(diǎn)是疾病，圖邊權(quán)重是2 種疾病的共現(xiàn)頻率。統(tǒng)計(jì)數(shù)據(jù)集E的Rp中疾病節(jié)點(diǎn)di與dj的共現(xiàn)次數(shù)，然后據(jù)此計(jì)算共現(xiàn)頻率。

由于疾病的共現(xiàn)關(guān)系可能是偶然的，使用閾值θ來過濾掉偶然發(fā)生的共現(xiàn)疾病對(duì)。對(duì)于疾病節(jié)點(diǎn)di，其相鄰節(jié)點(diǎn)的集合為：

其中，wij表示疾病節(jié)點(diǎn)di與dj的共現(xiàn)頻數(shù)。則其相鄰節(jié)點(diǎn)共現(xiàn)的總頻數(shù)為：

使用鄰接矩陣M∈Rn×n表示疾病圖的連接關(guān)系：

3.3 圖卷積層

圖卷積網(wǎng)絡(luò)（GCN）［20］用于節(jié)點(diǎn)分類［21-22］和網(wǎng)絡(luò)嵌入［23-24］等任務(wù)中挖掘拓?fù)鋱D結(jié)構(gòu)節(jié)點(diǎn)的特征。它基于拉普拉斯矩陣圖的分解實(shí)現(xiàn)頻域?yàn)V波：

其中，Λ= diag([λ1，…，λN]) ∈RN×N，L=UΛUT是圖拉普拉斯矩陣，U是G的傅里葉基，X是輸入信號(hào)。因此原始的GCN依賴于拉普拉斯矩陣L的分解。

通過如下方式，可實(shí)現(xiàn)快速GCN：

其中，θm是模型參數(shù)，m= 0，…，M- 1 是切比雪夫多項(xiàng)式Cm(L?)的順序。Cm(L?)取值如下：

當(dāng)M= 2，λmax≈2時(shí)：

其中，A是無向圖的鄰接矩陣，D是可訓(xùn)練權(quán)重矩陣參數(shù)。令A(yù)?表示帶自環(huán)的歸一化鄰接矩陣，Z表示輸出，則圖卷積層被定義為：

患者的臨床健康是動(dòng)態(tài)變化的，針對(duì)患者的每次就診數(shù)據(jù)，需要?jiǎng)討B(tài)地挖掘疾病之間的隱關(guān)系。在這個(gè)步驟通過GCN 動(dòng)態(tài)自適應(yīng)學(xué)習(xí)的隱表征，定義為疾病節(jié)點(diǎn)的動(dòng)態(tài)表征。

本文使用one-hot 向量來表示疾病節(jié)點(diǎn)，以區(qū)分不同的疾病。但是one-hot表征的缺點(diǎn)是明顯的稀疏性，容易導(dǎo)致維度災(zāi)難。為了解決這個(gè)問題，需要將one-hot向量映射到低維向量空間。

one-hot 本身不包含節(jié)點(diǎn)隱特征信息，模型通過學(xué)習(xí)一個(gè)向量查找表，壓縮one-hot向量，使該向量富含高階隱信息。

如圖3 所示，疾病節(jié)點(diǎn)di的one-hot 表征為ei，本模型需要學(xué)習(xí)的查找表為M∈Rf×n，則第v次就診時(shí)，疾病的初始隱特征為∈Rf×1，其中n為疾病節(jié)點(diǎn)的個(gè)數(shù)，f為隱向量的維度。

圖3 查找表壓縮one-hot向量示意圖

如上所述，疾病具有靜態(tài)和動(dòng)態(tài)表示。對(duì)于患者的第v次就診記錄，同時(shí)考慮疾病節(jié)點(diǎn)的靜態(tài)和動(dòng)態(tài)表示，并學(xué)習(xí)一個(gè)可以更好表示節(jié)點(diǎn)的動(dòng)態(tài)隱向量∈Rf。受殘差結(jié)構(gòu)設(shè)計(jì)的啟發(fā)，將adi與融合為第v次就診時(shí)疾病節(jié)點(diǎn)的初始動(dòng)態(tài)隱表征=adi+。

本文構(gòu)建一個(gè)圖卷積模塊來挖掘疾病節(jié)點(diǎn)之間的動(dòng)態(tài)相關(guān)性。圖卷積操作可以聚合每個(gè)節(jié)點(diǎn)與其鄰居節(jié)點(diǎn)的特征。圖卷積操作的輸入是疾病節(jié)點(diǎn)的初始動(dòng)態(tài)隱表征。通過圖卷積操作后，疾病節(jié)點(diǎn)di的最終動(dòng)態(tài)隱表征為：

令l1=n，l2=f，則查找表M∈Rl1×l2，b∈Rf是偏差參數(shù)。于是在第v次就診記錄中，經(jīng)過圖卷積層的操作，所有疾病節(jié)點(diǎn)的最終動(dòng)態(tài)隱表征為：

3.4 門控循環(huán)單元挖掘時(shí)間依賴

醫(yī)生在看診時(shí)，不僅關(guān)注當(dāng)前就診記錄，還會(huì)回顧患者以前的病史記錄。因此在醫(yī)療健康預(yù)測(cè)任務(wù)中，挖掘就診序列之間的時(shí)間依賴十分必要。

本模型使用GRU 學(xué)習(xí)時(shí)間動(dòng)態(tài)的長短依賴。使用GRU 進(jìn)行挖掘前后疾病的表征分別稱為動(dòng)態(tài)隱表征DHv∈Rf×n與最終隱表征Hv∈Rf×n。

初始時(shí)，令第0 次就診的疾病隱表征為H0= 0。由于Hv包含第v次就診中所有疾病節(jié)點(diǎn)的隱表征信息，本文使用最大池化層來計(jì)算第v次就診的表示向量Vv= max_pooling(Hv) ∈Rf×1。

然后，使用局部注意力來計(jì)算每個(gè)患者的隱表征F：

最后使用帶sigmoid 激活函數(shù)的全連接層作為分類器對(duì)F進(jìn)行分類，以用于特定任務(wù)的最終預(yù)測(cè)。

4 實(shí)驗(yàn)設(shè)計(jì)

4.1 任務(wù)

使用本文提出的模型解決心力衰竭預(yù)測(cè)任務(wù)，并用交叉熵?fù)p失作為目標(biāo)函數(shù)。

心力衰竭任務(wù)是指給定前v次就診是否患有心力衰竭的信息，預(yù)測(cè)第v+1 次就診時(shí)，患者是否患有心力衰竭。在該任務(wù)中，若患者在某次就診中被診斷出患有心力衰竭，則后續(xù)診斷患者都會(huì)確診出患有心力衰竭。這是一個(gè)二分類任務(wù)。

4.2 數(shù)據(jù)集介紹

本文使用2 個(gè)公開數(shù)據(jù)集——MIMIC -Ⅲ和MIMIC-Ⅳ來驗(yàn)證模型的預(yù)測(cè)性能。

MIMIC-Ⅲ記錄了2001—2012 年共7493 個(gè)患者的就診信息，共4880 種診斷疾病。MIMIC-Ⅳ記錄了2013—2019 年共85155 個(gè)患者的就診信息，共6102種診斷疾病。數(shù)據(jù)集具體描述如表2所示。

表2 MIMIC-Ⅲ和MIMIC-Ⅳ的數(shù)據(jù)集相關(guān)參數(shù)

對(duì)于MIMIC-Ⅲ與MIMIC-Ⅳ數(shù)據(jù)集，分別隨機(jī)抽出5000 與10000 名患者的就診信息作為訓(xùn)練集，500與1000 名患者的就診信息作為驗(yàn)證集，1953 與4000名患者的就診信息作為測(cè)試集。

4.3 評(píng)估指標(biāo)

心力衰竭預(yù)測(cè)任務(wù)是數(shù)據(jù)極不平衡的二元分類任務(wù)，本文采用的模型性能評(píng)價(jià)指標(biāo)為AUC和F1分?jǐn)?shù)。

為了保證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，所有模型在MIMIC-Ⅲ和MIMIC-Ⅳ都運(yùn)行7 次，取多次運(yùn)行結(jié)果的均值和方差。

4.4 基準(zhǔn)模型

為了評(píng)估本文模型的有效性，本文選擇以下基準(zhǔn)模型進(jìn)行比較：

1）RETAIN［24］：提出了一種以相反的時(shí)間順序訓(xùn)練2個(gè)RNN的方法，以有效地生成適當(dāng)?shù)淖⒁饬ο禂?shù)。

2）Dipole［25］：提出了一種在雙向RNN 上應(yīng)用各種注意力機(jī)制的模型。

3）HiTANet［26］：提出了一個(gè)新的分層時(shí)間感知注意力網(wǎng)絡(luò)模型。

4）Deepr［27］：提出了一種將就診記錄轉(zhuǎn)換為離散元素序列的方式，并在序列之上使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）。

5）Chet［4］：構(gòu)建了一個(gè)基于多種節(jié)點(diǎn)屬性的全局疾病共現(xiàn)圖。

除了上述基準(zhǔn)模型，本文還考慮了本文模型的2種變體，以驗(yàn)證靜態(tài)特征挖掘模塊和動(dòng)態(tài)特征挖掘模塊的有效性。1）DuDas-wd：移除模型的動(dòng)態(tài)挖掘部分，只考慮疾病節(jié)點(diǎn)的靜態(tài)表征；2）DuDas-ws：移除模型的靜態(tài)挖掘部分，只考慮疾病節(jié)點(diǎn)的動(dòng)態(tài)表征。

4.5 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)在體征信息數(shù)據(jù)集H中，隨機(jī)選擇K=1000 條與確診疾病相對(duì)應(yīng)的時(shí)間序列數(shù)據(jù)。設(shè)置閾值θ=0.01過濾偶然發(fā)生的共現(xiàn)疾病對(duì)，并設(shè)置圖卷積層數(shù)l=1。GRU 的隱特征維度為128，嵌入查詢矩陣為4880×32 的矩陣。編程環(huán)境為Python 3.7.3、Pytorch 1.1.0，CUDA版本為10.0.130。

本文實(shí)驗(yàn)所有模型的平均性能和標(biāo)準(zhǔn)偏差如表3所示。

表3 各種模型預(yù)測(cè)結(jié)果（均值±方差）的比較

根據(jù)表3 的結(jié)果，Chet 模型和DuDas 模型在心力衰竭預(yù)測(cè)任務(wù)上均優(yōu)于基于RNN 與基于CNN 的模型。這說明基于上一次確診疾病拓?fù)潢P(guān)系來預(yù)測(cè)下一次就診時(shí)的確診疾病的方法是有效的。

可以觀察到所有模型在MIMIC-Ⅳ的預(yù)測(cè)性能整體上高于在MIMIC-Ⅲ的預(yù)測(cè)性能。實(shí)驗(yàn)結(jié)果驗(yàn)證了增加模型的訓(xùn)練數(shù)據(jù)量，可以提高模型的預(yù)測(cè)性能。同時(shí)，可以觀察到，當(dāng)數(shù)據(jù)量增大時(shí)，基于圖結(jié)構(gòu)的模型，其預(yù)測(cè)準(zhǔn)確率提高幅度大于基于RNN與基于CNN 的模型。這可能是因?yàn)閳D結(jié)構(gòu)隱含的信息量更大。

對(duì)比Chet模型和DuDas模型，后者的預(yù)測(cè)性能優(yōu)于前者。Chet 模型構(gòu)建了3 種疾病關(guān)系圖，DuDas 模型只構(gòu)建了1 個(gè)全局圖，但是在表征疾病節(jié)點(diǎn)時(shí)，同時(shí)考慮了疾病之間的動(dòng)靜態(tài)信息。這說明了本文提出的疾病動(dòng)靜態(tài)特征融合方法在表征疾病節(jié)點(diǎn)隱特征的有效性。

從實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，僅使用疾病的靜態(tài)或動(dòng)態(tài)特征會(huì)降低模型的預(yù)測(cè)性能。還可以觀察到，僅依賴動(dòng)態(tài)特征的模型的性能略高于僅依賴靜態(tài)特征的模型。一個(gè)合理的解釋是，疾病節(jié)點(diǎn)的隱表征可以通過圖神經(jīng)網(wǎng)絡(luò)更好地挖掘出來。

4.6 參數(shù)實(shí)驗(yàn)

靜態(tài)挖掘模塊中的參數(shù)K與構(gòu)造全局疾病圖參數(shù)θ影響著模型分類的性能。因此，需要通過實(shí)驗(yàn)探究閾值的最優(yōu)值。

本節(jié)實(shí)驗(yàn)僅在MIMIC-Ⅲ數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)探究。

如圖4 所示，左圖為參數(shù)K對(duì)模型性能影響示意圖，右圖為參數(shù)θ對(duì)模型性能影響示意圖。根據(jù)圖4左圖，發(fā)現(xiàn)當(dāng)K＜1000 時(shí)，K值越大，AUC 和F1 分?jǐn)?shù)越高，說明模型分類性能越好；當(dāng)K＞1000 時(shí)，AUC 和F1分?jǐn)?shù)分別穩(wěn)定在0.86 和0.72 上下波動(dòng)。由于K值越大，計(jì)算時(shí)間越長，所以K=1000是最佳參數(shù)設(shè)置。

圖4 參數(shù)實(shí)驗(yàn)結(jié)果示意圖

圖4 右圖的實(shí)驗(yàn)結(jié)果說明，當(dāng)使用θ=0.001或者θ=0.1 進(jìn)行構(gòu)造全局疾病圖時(shí)，模型的性能弱于使用θ=0.01時(shí)。一種可能的解釋是，當(dāng)閾值過低時(shí)，無法過濾偶然發(fā)生的疾病對(duì)；當(dāng)閾值過高時(shí)，導(dǎo)致應(yīng)該具有共現(xiàn)關(guān)系的疾病對(duì)不具備拓?fù)溥B接關(guān)系。這2 種情況都導(dǎo)致無法很好地學(xué)習(xí)疾病的動(dòng)態(tài)隱特征。

5 結(jié)束語

本文首先從所有患者的病歷入手，以確診疾病為節(jié)點(diǎn)，以疾病與疾病之間的共現(xiàn)頻率為邊權(quán)重來構(gòu)建疾病節(jié)點(diǎn)圖。

在每次就診的記錄中，只有確診疾病節(jié)點(diǎn)構(gòu)成的子圖才是有利于預(yù)測(cè)任務(wù)的圖結(jié)構(gòu)，然后設(shè)計(jì)一種挖掘疾病特征的方法，使疾病的隱表征可以包含動(dòng)態(tài)和靜態(tài)信息；最后基于GRU，挖掘歷史就診記錄對(duì)當(dāng)前就診記錄的隱關(guān)系。本文在MIMIC-Ⅲ和MIMIC-Ⅳ數(shù)據(jù)集上基于上述模型進(jìn)行了心力衰竭預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文所提出的模型的有效性。

在未來的工作中，將進(jìn)一步完善對(duì)疾病隱特征的挖掘，如提高對(duì)疾病靜態(tài)特征的挖掘能力，使本文提出的模型能夠在更多的臨床預(yù)測(cè)任務(wù)中發(fā)揮更大的作用。