Um modelo de espaço de estados baseado em agrupamento profundo para melhorar a previsão de risco de doenças na saúde personalizada

Resumo Sistemas de apoio à decisão estão sendo desenvolvidos para auxiliar os clínicos em processos complexos de tomada de decisão, aproveitando informações do conhecimento clínico e de registros eletrônicos de saúde (EHRs). Uma aplicação típica é a previsão de risco de doenças, que pode ser desafiadora devido à complexidade da modelagem de dados longitudinais de EHR, incluindo anotações médicas não estruturadas. Para abordar esse desafio, propomos um modelo de espaço de estados profundo (DSSM) que simula o processo de transição de estado do paciente e integra formalmente estados latentes com observações de risco. Um DSSM típico consiste em três partes: um módulo anterior que gera a distribuição do estado latente atual com base em estados anteriores; um módulo posterior que aproxima os estados latentes usando anotações médicas atualizadas; e um módulo de probabilidade que prevê riscos de doenças usando estados latentes. Para codificar de forma eficiente e eficaz anotações médicas brutas, nosso módulo posterior utiliza um codificador atencioso para melhor extrair informações de anotações médicas não estruturadas e de alta dimensão. Além disso, acoplamos um algoritmo de agrupamento preditivo em nosso DSSM para aprender representações clinicamente úteis dos estados latentes dos pacientes. Os estados latentes são agrupados em múltiplos grupos, e a média ponderada dos centros dos grupos é usada para previsão. Demonstramos a eficácia do nosso modelo de espaço de estados baseado em agrupamento profundo usando dois conjuntos de dados reais de EHR, mostrando que ele não apenas gera melhores resultados de previsão de risco do que outros métodos de referência, mas também agrupa estados de saúde semelhantes de pacientes em grupos.