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

项目总结： 心力衰竭(HF)是一种高度致残的疾病，也是一种代价高昂的疾病，具有极高的死亡率。目前处于诊断前阶段。 (即在确诊前12-36个月)，考虑到潜在的心脏症状和症状，心衰很难被检测出来。 在诊断不可能逆转疾病进展的情况下，我们会尽最大努力避免住院。 以及重新入院，但治疗能力有限的患者可以根据风险对患者进行分层。我们将提出建议，以制定一种可解释的解决方案。 深度学习模型已应用于大规模医疗电子健康记录系统(EHR)的数据采集，以快速检测与心脏出血热相关的健康事件。 两个不同的时间尺度。将不会开发一套新的模型，以在一到两年前检测心力衰竭的诊断。 实际记录的是他的诊断。另外，我们将提出一种方法，以帮助识别那些面临医院风险风险的心衰患者。 录取和再录取。该项目的重点是开发更深入的学习模式，为学生提供更大的潜在机会。 与其他替代方案相比，更高的准确性、更好的临床可解释性、更高的实用性和更高的可交付性。 用于创建能够预测心力衰竭结果的深度学习算法的全面的医疗软件以及相关的医疗软件。 工具为模型和可视化提供了支持。

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.