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

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.06585v1/summary|action=edit}} 编辑]</div>
这篇论文介绍了一种基于[[时间图卷积神经网络]]（[[Temporal Graph Convolutional Neural Network]], [[TG-CNN]]）模型，用于预测[[电子健康记录]]（[[Electronic Health Records]], [[EHR]]）中的[[髋关节置换]]手术。研究的主要目的是提前一年预测髋关节置换，以改善患者的生活质量和提高卫生服务效率。研究方法包括构建时间图，这些图由40-75岁患者的初级保健医疗事件代码组成，并通过匹配髋关节置换案例和对照组的年龄、性别及多重贫困指数来训练模型。在两个未见过的测试集上验证了模型，并对类别不平衡进行了重新校准。此外，还进行了消融研究，并与四种基线模型进行了比较。研究结果显示，最佳模型能够提前一年预测髋关节置换风险，[[AUROC]]为0.724，[[AUPRC]]为0.185，并在校准后达到1.107的校准斜率。研究表明，TG-CNN模型通过识别患者轨迹中的模式有效预测髋关节置换风险，可能改善对髋关节相关疾病的理解和管理。关键词包括髋关节置换、风险预测、时间图、电子健康记录。
# '''引言'''：介绍了人口老龄化和肥胖率上升导致[[骨关节炎]]（[[OA]]）和髋关节置换的患病率增加，以及这些疾病对[[英国医疗保健系统]]的挑战。
# '''相关工作'''：回顾了使用[[临床实践研究数据链]]（[[CPRD]]）数据预测髋关节置换风险的研究，以及利用深度学习方法处理不规则采样的医疗时间序列数据的研究。
# '''方法'''：详细描述了研究方法，包括队列分析、数据提取、特征选择、时间图表示、模型架构、比较模型和评估方法。
# '''结果'''：展示了模型训练和测试的队列特征，并通过卡方分析与[[国家关节登记处]]年度报告进行了比较。讨论了模型在校准前后的表现，并进行了亚组分析。
# '''讨论'''：分析了[[随机森林]]（[[RF]]）和[[逻辑回归]]（[[LR]]）模型的性能，并讨论了TG-CNN模型的优势，如包括处方在内的特征选择对模型性能的影响。
# '''结论'''：总结了TG-CNN模型在临床决策中的应用潜力，以及未来研究的方向，包括模型的可解释性和预测髋关节置换风险的时间范围扩展。