Heart Failure (HF) is one of the most common causes of hospitalization and is burdened by short-term (in-hospital) and long-term (6-12 month) mortality. Accurate prediction of HF mortality plays a critical role in evaluating early treatment effects. However, due to the lack of a simple and effective prediction model, mortality prediction of HF is difficult, resulting in a low rate of control. To handle this issue, we propose a Weight-based Multiple Empirical Kernel Learning with Neighbor Discriminant Constraint (WMEKL-NDC) method for HF mortality prediction. In our method, feature selection by calculating the F-value of each feature is first performed to identify the crucial clinical features. Then, different weights are assigned to each empirical kernel space according to the centered kernel alignment criterion. To make use of the discriminant information of samples, neighbor discriminant constraint is finally integrated into multiple empirical kernel learning framework. Extensive experiments were performed on a real clinical dataset containing 10, 198 in-patients records collected from Shanghai Shuguang Hospital in March 2009 and April 2016. Experimental results demonstrate that our proposed WMEKL-NDC method achieves a highly competitive performance for HF mortality prediction of in-hospital, 30-day and 1-year. Compared with the state-of-the-art multiple kernel learning and baseline algorithms, our proposed WMEKL-NDC is more accurate on mortality prediction Moreover, top 10 crucial clinical features are identified together with their meanings, which are very useful to assist clinicians in the treatment of HF disease.

中文翻译：

---

基于权重的多经验核学习，并具有邻域判别约束，可用于心力衰竭死亡率的预测。

心力衰竭（HF）是最常见的住院原因之一，并因短期（住院）和长期（6-12个月）死亡而受累。HF死亡率的准确预测在评估早期治疗效果中起着至关重要的作用。然而，由于缺乏简单有效的预测模型，HF的死亡率预测困难，导致控制率低。为解决此问题，我们提出了一种基于加权的具有邻域判别约束的多经验核学习（WMEKL-NDC）方法，用于预测HF死亡率。在我们的方法中，首先通过计算每个特征的F值来选择特征，以识别关键的临床特征。然后，根据居中的内核对齐标准将不同的权重分配给每个经验内核空间。为了利用样本的判别信息，将邻居判别约束最终集成到多个经验核学习框架中。在真实的临床数据集上进行了广泛的实验，该数据集包含2009年3月和2016年4月从上海曙光医院收集的10、198位住院患者记录。实验结果表明，我们提出的WMEKL-NDC方法在预测HF患者的HF死亡率方面具有很高的竞争力。 -医院，30天和1年。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。邻居判别约束最终被集成到多个经验核学习框架中。在真实的临床数据集上进行了广泛的实验，该数据集包含2009年3月和2016年4月从上海曙光医院收集的10、198位住院患者记录。实验结果表明，我们提出的WMEKL-NDC方法在预测HF患者的HF死亡率方面具有很高的竞争力。 -医院，30天和1年。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。邻居判别约束最终被集成到多个经验核学习框架中。对真实的临床数据集进行了广泛的实验，该数据集包含2009年3月和2016年4月从上海曙光医院收集的10、198位住院患者记录。实验结果表明，我们提出的WMEKL-NDC方法在预测HF患者的HF死亡率方面具有很高的竞争力-医院，30天和1年。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。在真实的临床数据集上进行了广泛的实验，该数据集包含2009年3月和2016年4月从上海曙光医院收集的10、198位住院患者记录。实验结果表明，我们提出的WMEKL-NDC方法在预测HF患者的HF死亡率方面具有很高的竞争力。 -医院，30天和1年。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。在真实的临床数据集上进行了广泛的实验，该数据集包含2009年3月和2016年4月从上海曙光医院收集的10、198位住院患者记录。实验结果表明，我们提出的WMEKL-NDC方法在预测HF患者的HF死亡率方面具有很高的竞争力。 -医院，30天和1年。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。实验结果表明，我们提出的WMEKL-NDC方法在预测院内，30天和1年的HF死亡率方面具有很高的竞争力。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。实验结果表明，我们提出的WMEKL-NDC方法在预测院内，30天和1年的HF死亡率方面具有很高的竞争力。与最新的多核学习和基线算法相比，我们提出的WMEKL-NDC在死亡率预测方面更准确。此外，确定了十大关键临床特征及其含义，这对于协助临床医生进行诊断非常有用。 HF病的治疗。