《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》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的心血管疾病风险预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。