《表3 基于数据融合的心血管疾病风险预测模型的实验结果》
如表3所示,相比其他3种深度学习模型,RPMC在心血管疾病风险任务上取得了突出的性能。这表明RPMC能更好地融合不同类型的电子病历数据,因为它充分考虑不同类型数据之间的差异性和关联性。从表中结果可以看出,Deepr的表现相比其他3种较差。原因之一是Deepr是基于CNN的风险预测模型,而相比RNN而言,CNN在电子病历时序学习中只擅长捕获局部信息。另外一个原因是Deepr假设每次医疗就诊记录中的医疗事件都是有时间顺序的,事实上在门诊部门,一次医疗就诊过程持续的时间只有少数几天,期间的医疗事件在EHR中有时并没有严格按照时间顺序进行组织和记录。此外,多个实验室指标通常是同时检测的,并无先后关系,所以Deepr并不是最适合这类医学电子病历的模型。
图表编号 | XD00108816600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.25 |
作者 | 安莹、黄能军、杨荣、陈先来 |
绘制单位 | 中南大学信息安全与大数据学院、中南大学计算机学院、中南大学湘雅医院、中南大学信息安全与大数据学院 |
更多格式 | 高清、无水印(增值服务) |