表表

预测心力衰竭管理中的生理反应：使用电子健康记录的图表表示方法

抽象的心力衰竭管理由于其病理生理学的复杂和异源性而具有挑战性，这使得基于“一件大小都适合所有人”的常规治疗不合适。将纵向医学数据与新颖的深度学习和基于网络的分析相结合，将使识别独特的患者表型特征，以通过准确预测生理反应来帮助个性化治疗方案。在这项研究中，我们开发了一个图形表示框架，该框架将电子健康记录（EHR）中的异质临床事件集成为图格式数据，其中患者特定的模式和特征自然注入了实验室测试响应的个性化预测。该框架包括一个新型的图形变压器网络，该网络具有自我关注的机制，可以模拟心脏故障治疗中心脏物理学相互作用和图形神经网络（GNN）层中心脏生理相互作用（GNN）层中的基本空间相互依赖性，以使每个临床事件的明确状态均可构成对患者的明确变化，并将其构成对患者的变化，并将其效应效应效应，并将其效应效果效应，并将其效应效应效应。随着心力衰竭状况的发展。我们引入了一个基于事件共发生的全球注意力面膜，并在所有患者记录中进行了汇总，以增强邻居选择在图表中学习的指导。我们通过观察性EHR数据的详细定量和定性评估来测试模型的可行性。引言心力衰竭（HF）是一种复杂的临床综合征，是由于结构性或功能性心脏障碍而导致的，其性心室障碍的能力填充或排出血液1，并且与全球2,3的大量发病率，死亡率和医疗保健支出相关。心力衰竭不是一种奇异疾病，而是以广泛的病因和病理生理为特征，导致异质性患者亚组3,4。这种表型多样性在患者的治疗结果中发生了可变性，因此对治愈心力衰竭的有效干预构成了巨大挑战。解决这种疾病异质性的关键在于确定生理偏差（即表型）的患者亚组5,6,7。这个概念直观地描绘了现实世界的临床预后工作流程 - 医师首先进行诊断测试，以量化与患者相关的表型观察，这将帮助他们进行潜在的诊断8，然后通过患者对治疗的反应跟踪疾病预后。然而，传统的心力衰竭管理方法在考虑这种复杂疾病的表型异质性时，由于基于平均人群的外推，诱导了次优的患者护理和生活质量。显然，心力衰竭可以从分层管理策略（即精密医学）中受益，这些策略将确保每个心力衰竭亚组的靶向治疗和预防，同时考虑患者之间的个体差异。尽管精密医学的一般重点一直放在OMICS类型的“大数据”上，但特别是基因组学数据，但是，在心力衰竭的情况下，基因组中心的方法并不是理想的理想选择，因为在大多数情况下，其遗传成分和相关的环境触发因素有限。在最近的过去，电子健康记录（EHR）有助于产生大量的基于时间的表型数据，由于其复杂性（即品种）和大部分异质信息，这些数据在本质上是“大”，每个患者可用