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

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.06585v1/methods|action=edit}} 编辑]</div>
这篇文献的工作部分详细介绍了如何开发和评估用于预测[[髋关节置换]]的时序图卷积神经网络模型（[[TG-CNN]]）。以下是这部分的主要内容：
# '''背景与动机'''：
#* 论文首先介绍了[[髋关节置换手术]]对改善患者生活质量的重要性，并强调了提前预测髋关节置换的可能性，包括减少疼痛、及时干预、优先手术或康复以及可能延迟关节置换需求的[[物理治疗]]。
# '''方法论'''：
#* 研究者采用了时序图卷积神经网络（TG-CNN）模型，通过从40至75岁患者的一级保健医疗事件代码构建时序图，以预测髋关节置换风险。
#* 通过[[年龄]]、[[性别]]和[[多重剥夺指数]]匹配髋关节置换病例和对照组，模型在9187个病例和9187个对照上进行训练，预测一年内的髋关节置换。
#* 模型在两个未见过的[[数据集]]上进行验证，重新校准以处理类别不平衡问题。此外，还进行了消融研究，并与四种基线模型进行了比较。
# '''数据收集与处理'''：
#* 使用[[ResearchOne]]电子健康记录（[[EHRs]]）数据，包括临床和行政数据，涵盖151,565名患者的记录。
#* 对患者的EHRs进行时间窗口化处理，以预测一年内发生的髋关节置换。
#* 选择了最常见的512个[[Read Codes]]来构建基于时序图的EHR表示，同时包括了[[体质指数]]（[[BMI]]）作为预测因子。
# '''模型架构'''：
#* 使用[[TensorFlow]]构建了一个定制的3D CNN [[Keras]]层，利用稀疏线性代数处理512×512×100大小的时序图表示。
#* CNN层的输出经过展平、批量归一化，并与[[LSTM层]]（捕获长期模式）、dropout层、密集层和人口统计特征（如果包括）进行连接。
#* 最终，模型使用分类交叉熵损失和[[sigmoid函数]]针对分类目标进行优化。
# '''评估与校准'''：
#* 遵循[[TRIPOD-AI]]声明报告模型开发和预测模型。
#* 在训练集上进行5折交叉验证以选择超参数，并基于验证集的平均准确率优化模型。
#* 使用10%的测试数据集进行模型重新校准，以确保预测概率与测试集中结果的真实发生率相匹配。
#* 在重新校准后，使用第二个未见过的测试集来验证模型的性能。
# '''结果'''：
#* 展示了模型在训练集和测试集上的性能，包括[[AUROC]]、[[AUPRC]]和校准斜率。
#* 对不同模型变体进行了消融研究，以评估模型层、正则化技术和人口统计及处方数据的包含。
# '''讨论与结论'''：
#* 讨论了TG-CNN模型在预测髋关节置换风险方面的有效性，以及如何通过识别患者轨迹中的模式来潜在地改善对髋关节相关疾病的理解和管理。
#* 强调了模型在[[临床决策支持工具]]开发中的潜力，包括促进信任、辅助患者-临床医生讨论、提供个性化医疗和增强患者安全。