Web-basiertes Multi-Feature-Propagation-Analysemodell für effiziente Krankheitsanalyse und Empfehlung mittels Deep Learning

Die genaue Vorhersage chronischer Krankheiten ist entscheidend für ein proaktives Gesundheitsmanagement. Dieses Papier schlägt ein Multi-Feature-Propagation-Analyse-basiertes Deep-Learning-Modell (MPADM) vor, um diese Herausforderung zu bewältigen. Das Modell integriert diverse Patientendaten, darunter medizinische, diagnostische, genetische und historische Merkmale, die aus mehreren Quellen gesammelt wurden. Nach der Vorverarbeitung wird das Netzwerk darauf trainiert, unterschiedliche Propagationsgewichte (PWs) für jede Merkmalskategorie zu berechnen: Diagnostisches Propagationsgewicht (DPW), Genetisches Propagationsgewicht (GPW) und Historisches Propagationsgewicht (HPW). Diese Gewichte, geschätzt über verschiedene Krankheitsklassen hinweg, werden aggregiert, um einen finalen Vorhersagewert für chronische Krankheiten zu generieren. Zur Unterstützung klinischer Entscheidungen berechnet das Modell auch eine Treatmentsupport-Metrik (TS), die Krankenhäuser und medizinische Fachkräfte für Anwenderempfehlungen rankt. Implementiert mit einer webbasierten Schnittstelle für Zugänglichkeit, zeigt das MPADM-Modell eine verbesserte Wirksamkeit und steigert signifikant die Vorhersagegenauigkeit sowie die Qualität therapeutischer Empfehlungen im Vergleich zu bestehenden Benchmarks.