利用基于Transformer的深度学习模型建模动态纵向健康轨迹
研究目的：
医疗登记系统提供了个体健康轨迹的宝贵洞察。本研究探索使用深度学习技术，对包含临床编码、诊疗操作和药品购买记录的全国纵向数据集进行健康轨迹建模与分析。
研究方法：
我们提出Evolve模型——一种基于Transformer的深度学习架构，可实现时间连续的多标签疾病预测。该模型在每个时间步基于既往健康史和未来5年预测窗口，进行疾病发生预测。通过与基线模型的基本预测性能对比评估模型效能，并通过预测概率变化和潜在表征空间邻域演化分析健康轨迹关键事件。
研究结果：
Evolve在疾病预测准确率与基线模型相当的同时，展现出独特的轨迹建模能力。模型成功识别早期预测性事件，验证了表征空间变化可反映健康状态转移。动态健康轨迹可视化显示，个体随时间推移逐渐与相似健康特征和预后的人群形成聚类。
研究结论：
Evolve模型在连续健康监测、疾病早期检测和回顾性分析方面展现出应用潜力，为个性化医疗干预提供了新的技术工具。
关键词
电子健康记录；纵向健康轨迹；疾病预测；深度学习；Transformer
代码与数据声明
本研究代码可在
【全文结束】
