一种用于心衰患者死亡率预测的数据多重插补方法

摘要

针对真实数据采集机制不完善致使数据缺失、现有方法对临床特征表示不足导致模型性能受限问题，本文提出一种用于心衰患者死亡率预测的数据多重插补方法（Self-attention and Generative adversarial network based Mortality Prediction, SGMP）．首先，针对临床特征在变分自编码器（Variational Autoencoder, VAE）的潜在空间中结合自注意力机制动态融合多组候选估计值，并结合生成对抗网络（Generative Adversarial Network, GAN）的对抗训练策略优化表征学习能力．然后，根据掩码矩阵有效获取候选估计结果，实现缺失数据多重插补．最后，采用合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）进行数据增强，使用多层感知机（Multilayer Perceptron, MLP）实现死亡率预测．基于新疆某三甲医院心衰患者数据进行验证，结果表明：死亡率预测任务中，相比其他模型，SGMP在多个指标上有明显提升，受试者工作特征曲线下面积达到0.902.

关键词

死亡率预测 / 多重插补(MI) / 自注意力机制 / 生成对抗网络(GAN) / 变分自编码器(VAE)