心力衰竭（HF）再入院预测模型通常依赖人工筛选的横截面特征，区分度和校准能力有限。我们评估了通过深度特征合成（DFS）从纵向电子健康记录数据中进行自动化特征工程是否能够提高心力衰竭再入院预测的临床适用性。利用美国一个大型安全网医疗系统2010年至2025年的355,217次心力衰竭住院数据，我们将临床医生精选的基础特征集与DFS增强特征集进行了比较，并对30天、60天和90天再入院训练了相同的模型。DFS持续提升了梯度提升树的性能，在所有时间窗内均增加了AUROC和AUPRC，而逻辑回归的性能则出现下降。在灵敏度目标操作点（80%）上，DFS提高了提升树的特异性和阳性预测值，减少了假阳性工作负荷。校准方面，提升树在所有时间窗内均有改善，但线性模型未见改善。这些结果表明，自动化特征工程能带来部署相关的性能提升，但这种提升高度依赖于模型类别。
数据和代码可用性：本研究使用了来自美国一个大型城市安全网医疗系统的回顾性电子健康记录数据。由于患者隐私、机构限制和数据使用协议，这些数据不公开。用于数据处理、特征工程、模型训练和评估的代码的匿名化版本将在论文被接收后提供。
机构审查委员会（IRB）：这项回顾性研究已获得机构审查委员会的批准。完整的IRB详细信息将在论文被接收后的最终版本中提供。
竞争利益声明：作者声明不存在竞争利益。
资助声明：本研究未获得任何资助。
作者声明：我确认已遵守所有相关的伦理指南，并已获得必要的IRB和/或伦理委员会批准。是。提供批准或豁免的IRB/监管机构详情如下：莫尔豪斯医学院机构审查委员会（IRB）批准了本研究。我确认已获得所有必要的患者/参与者同意，并已归档适当的机构表格，且任何患者/参与者/样本标识符在研究小组外无人知晓，因此无法用于识别个人。是。我理解所有临床试验和其他前瞻性干预研究必须在ICMJE认可的注册中心注册，例如ClinicalTrials.gov。我确认手稿中报告的任何此类研究均已注册，并提供了试验注册ID。是。我已遵循所有适当的研究报告指南，包括相关的EQUATOR网络研究报告清单和其他相关材料。是。
数据可用性：本研究产生的所有数据均可应合理要求从作者处获取。
【全文结束】