7、医疗数据预测的创新方法与模型应用

医疗数据预测的创新方法与模型应用

1. 基于多样化Top - K子组列表的表型分析新方法

在医疗研究中，提供临床表型分析的有效方法至关重要。研究人员提出了一种基于挖掘多样化Top - K子组列表的表型分析新方法，旨在为临床医生提供关于特定目标值的少量描述，这些描述在覆盖范围和内容上都具有多样性。

1.1 方法与算法

研究提出了Diverse Subgroup Lists Miner算法（DSLM），该算法基于子组发现范式和最小描述长度原则生成子组列表。通过对MIMIC - III数据库中抗菌耐药性的表型分析实验，发现子组列表模型所代表的前2个表型具有重要特性。

1.2 表型特性

这些表型具有统计学稳健性，临床专家容易理解，具有多样性且选择器较少。为了客观评估表型，将其作为虚拟变量应用于分类算法中，预测表型的目标变量。实验使用了随机森林、梯度提升分类器和逻辑回归两种分类模型：
- 模型一：使用原始数据集。
- 模型二：在原始数据集上添加两个属性，指示每个实例是否被每个表型覆盖。

实验结果表明，第二个分类模型的准确率在统计学上始终高于第一个模型，证明了这两个表型具有预测能力。

2. 基于患者事件序列预测住院时长

预测患者的住院时长（LOS）对医疗机构的资源分配和决策支持至关重要。研究人员提出了一种基于Transformer的新型模型Medic - BERT（M - BERT），通过将患者信息建模为事件序列来预测LOS。

2.1 研究背景

医院资源日益稀缺，给病房带来挑战，影响医疗质量。传统的LOS预测模型常使用