查看“WikiEdge:ArXiv-2409.06585v1/abs”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.06585v1/abs|action=edit}} 编辑]</div>
* '''标题'''：Developing the [[Temporal Graph Convolutional Neural Network]] Model to Predict [[Hip Replacement]] using [[Electronic Health Records]]
* '''中文标题'''：髋关节置换预测的时间图卷积神经网络模型开发与电子健康记录的应用
* '''发布日期'''：2024-09-10T15:26:58+00:00
* '''作者'''：Zoe Hancox, Sarah R. Kingsbury, Andrew Clegg, Philip G. Conaghan, Samuel D. Relton
* '''分类'''：cs.LG, cs.AI
* '''原文链接'''：http://arxiv.org/abs/2409.06585v1
'''摘要'''：背景：[[髋关节置换手术]]通过缓解疼痛和恢复活动能力来改善患者的生活。提前预测髋关节置换可以通过及时干预、优先考虑手术或康复的个体，以及利用[[物理治疗]]来潜在地延迟关节置换的需求，从而减少疼痛。本研究旨在提前一年预测髋关节置换，以提高生活质量和健康服务效率。方法：我们根据之前的工作，采用[[时间图卷积神经网络]]（TG-CNN）模型，从40-75岁患者的[[ResearchOne]]电子健康记录中提取初级医疗事件代码，构建时间图以预测髋关节置换风险。我们通过年龄、性别和多重贫困指数将髋关节置换病例与对照匹配。该模型在9,187个病例和9,187个对照上进行训练，能够提前一年预测髋关节置换。我们在两个未见数据集上验证该模型，并对类别不平衡进行重新校准。此外，我们进行了消融研究，并与四个基线模型进行了比较。结果：我们的最佳模型能够提前一年预测髋关节置换风险，AUROC为0.724（95% CI：0.715-0.733），AUPRC为0.185（95% CI：0.160-0.209），在重新校准后实现了1.107的校准斜率（95% CI：1.074-1.139）。结论：TG-CNN模型通过识别患者轨迹中的模式，有效地预测了髋关节置换风险，可能改善对髋关节相关疾病的理解和管理。