ترجمه فارسی مقاله RiskPath: یادگیری عمیق قابل توضیح برای پیش‌بینی زیست‌پزشکی چند مرحله‌ای در داده‌های طولی

چکیده

Predicting individual and population risk for disease outcomes and identifying persons at elevated risk is a key prerequisite for targeting interventions to improve health. However, current risk stratification tools for the common, chronic diseases that develop over the lifecourse and represent the majority of disease morbidity, mortality and healthcare costs are aging and achieve only moderate predictive performance. In some common, highly morbid conditions such as mental illness no risk stratification tools are yet available. There is an urgent need to improve predictive performance for chronic diseases and understand how cumulative, multifactorial risks aggregate over time so that intervention programs can be targeted earlier and more effectively in the disease course. Chronic diseases are the end outcomes of multifactorial risks that increment over years and represent cumulative, temporally-sensitive risk pathways. However, tools in current clinical use were constructed in older data and utilize inputs from a single data collection step. Here, we present RiskPath, a multistep deep learning method for temporally-sensitive biomedical risk prediction tailored for the constraints and demands of biomedical practice that achieves very strong performance and full translational explainability. RiskPath delineates and quantifies cumulative multifactorial risk pathways and allows the user to explore performance-complexity tradeoffs and constrain models as required by clinical use cases. Our results highlight the potential for developing a new generation of risk stratification tools and risk pathway mapping in time-dependent diseases and health outcomes by leveraging powerful timeseries deep learning methods in the wealth of biomedical data now appearing in large, longitudinal open science datasets.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی خطر فردی و جمعیتی برای نتایج بیماری و شناسایی افراد در معرض خطر بالا ، پیش نیاز اصلی برای هدف قرار دادن مداخلات برای بهبود سلامت است.با این حال ، ابزارهای طبقه بندی ریسک فعلی برای بیماریهای مزمن و مزمن که در طول زندگی ایجاد می شوند و اکثریت عوارض بیماری ، مرگ و میر و هزینه های مراقبت های بهداشتی را نشان می دهند ، پیر می شوند و فقط به عملکرد پیش بینی متوسط ​​می رسند.در برخی از شرایط متداول ، بسیار مرموز مانند بیماری روانی هنوز هیچ ابزارهای طبقه بندی خطر در دسترس نیستند.نیاز فوری برای بهبود عملکرد پیش بینی کننده برای بیماریهای مزمن وجود دارد و درک می کند که چگونه خطرات تجمعی و چند عاملی با گذشت زمان جمع می شوند تا برنامه های مداخله ای زودتر و به طور مؤثر در دوره بیماری هدف قرار گیرند.بیماریهای مزمن نتایج نهایی خطرات چند عاملی است که طی سالها افزایش می یابد و مسیرهای خطر تجمعی و حساس را نشان می دهد.با این حال ، ابزارهای موجود در استفاده بالینی فعلی در داده های قدیمی ساخته شده و از ورودی های یک مرحله جمع آوری داده ها استفاده می شود.در اینجا ، ما PATHPATH ، یک روش یادگیری عمیق چند مرحله ای برای پیش بینی ریسک زیست پزشکی حساس به موقت متناسب با محدودیت ها و خواسته های تمرین زیست پزشکی که به عملکرد بسیار قوی و توضیح کامل ترجمه می رسد ، ارائه می دهیم.RiskPath مسیرهای ریسک چند عاملی تجمعی را ترسیم و تعیین می کند و به کاربر امکان می دهد تا تجارت و مدل های محدود را در مورد موارد استفاده بالینی مورد بررسی قرار دهد.نتایج ما پتانسیل ایجاد نسل جدیدی از ابزارهای طبقه بندی ریسک و نقشه برداری از مسیر خطر را در بیماریهای وابسته به زمان و پیامدهای بهداشتی با استفاده از دوران قدرتمند و روشهای یادگیری عمیق در ثروت داده های زیست پزشکی که اکنون در داده های علمی بزرگ و طولی باز ظاهر می شوند ، برجسته می کند.