摘要

疾病进展模型在预测个体健康轨迹和理解疾病动态方面具有重要作用。现有的模型要么能够提供准确的患者预后预测，要么能够生成临床可解释的疾病病理生理表示，但无法同时实现这两点。本文中，我们开发了一种分阶段注意力状态空间（PASS）模型，这是一种深度概率模型，能够在捕捉复杂疾病进展表示的同时保持临床可解释性。与假设无记忆动态的马尔可夫状态空间模型不同，PASS利用注意力机制诱导“有记忆”的状态转换，通过不断更新的注意力权重来关注最能预测未来状态的过去状态实现这一点。这产生了复杂且非平稳的状态动力学，而这些动力学仍然可以通过生成的注意力权重进行解释，这些权重指定了个体患者实现状态变量之间的关系。PASS 使用带有时间门控（由参数化振荡控制）的分阶段 LSTM 单元，在连续时间内生成注意力权重，从而能够处理不规则采样和可能缺失的医疗观察数据。对来自真实世界患者队列的数据进行的实验表明，PASS 成功平衡了准确性和可解释性之间的权衡：它展示了卓越的预测准确性，并学习到了富有洞察力的个体水平疾病进展表示。