Interpretable Deep Learning Model for Longitudinal Electronic Health Records and Applications to Heart Failure Prediction

点击翻译按钮获取中文摘要

PROJECT  SUMMARY  Heart failure (HF) is a highly disabling and costly disease with a high mortality rate. In the pre­diagnostic phase  (i.e.,  12­36  months  before  diagnosis),  HF  is  difficult  to  detect  given  the  insidious  signs  and  symptoms.  After  diagnosis,  where  it  is not possible to reverse disease progression, efforts are made to avoid hospital admission  and  re­admission,  but  with  limited  capabilities  to  stratify  patients  by  risk.  We  propose  to  develop  interpretable  deep learning models applied to large­scale electronic health record (EHR) data to detect HF related events on  two  different  time  scales.  One  set  of  models will be developed to detect HF diagnosis one to two years before  actual  documented  diagnosis.  Separately,  we  propose  to  identify  HF  patients  who  are  at  risk  of  hospital  admission  and  readmission . The project focuses on developing deep learning models that offer the potential for  greater  accuracy,  clinical  interpretability,  and  utility  than  alternatives.  The  expected  deliverables  include  comprehensive  software  for  creating  deep  learning  algorithms  that  predict  HF  outcomes  and  related  software  tools  for  model  visualization.