《表1 IHAN预测结果：可解释的层次注意力机制网络危重症预警》

  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

《可解释的层次注意力机制网络危重症预警》

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

根据表1实验结果，在准确率方面，Logistic回归、随机森林和BP神经网络因其没有考虑到患者在治疗过程中生理指标的渐变信息，无法在长时间住院过程中充分利用检查数据时间状态上的关联性，不具有提前预测的能力，对急重症突变预警能力差。而以CNN和RNN为代表的深度学习模型在准确率上有了较大的提升，相比上述统计模型在准确率上提高了8～10个百分点，这体现了基于深度学习对复杂时序信息的捕捉能力，然而由于患者在住院过程中产生的数据量多，“无意义”的正常数据占比大，导致输入模型数据集噪声大而影响了预测结果的精准度。基于IHAN的层次注意力神经网络解决了上述问题，同时准确率相比之下提升了12～13个百分点。运行效率上，IHAN+LSTM因其计算的复杂性导致训练时间较长，在实验环境下训练时间达到了29.50 min，而LSTM+GRU相对模型较简单，训练时间也达到了25.25 min。