基于重症监护电子健康记录的 COVID-19 预测建模综合基准
机器学习
2024-01-24 v4
摘要
COVID-19 大流行给全球医疗系统带来沉重负担，并造成了巨大的社会动荡与经济损损。许多深度学习模型已被提出，利用电子健康记录(EHR)数据对重症监护病房中 COVID-19 患者进行死亡率预测等临床预测任务。尽管它们在特定临床应用中取得了初步成功，目前仍缺乏基准测试结果以实现公平比较，从而选出最优临床模型。此外，传统预测任务的设定与重症监护中真实世界临床实践之间存在差异。为填补这些空白，我们提出了两项临床预测任务：COVID-19 重症患者的结局特异性住院时长预测与早期死亡率预测。这两项任务由朴素的住院时长与死亡率预测任务改造而来，以适应 COVID-19 患者的临床实践。我们提出了公平、详尽、开源的数据预处理流程，并在两项任务上评估了 17 个最先进的预测模型，包括 5 个机器学习模型、6 个基础深度学习模型以及 6 个专为 EHR 数据设计的深度学习预测模型。我们使用来自两个真实世界 COVID-19 EHR 数据集的数据提供基准测试结果。一个数据集公开可用且无需申请，另一个数据集可经申请获取。我们为两项任务提供了公平、可复现的基准测试结果。我们将所有实验结果和模型部署于一个在线平台。我们也允许临床医生与研究人员向平台上传其数据，并使用我们训练好的模型快速获得预测结果。我们希望我们的工作能进一步促进针对 COVID-19 预测建模的深度学习与机器学习研究。
引用
@article{arxiv.2209.07805,
title = {A Comprehensive Benchmark for COVID-19 Predictive Modeling Using Electronic Health Records in Intensive Care},
author = {Junyi Gao and Yinghao Zhu and Wenqing Wang and Yasha Wang and Wen Tang and Ewen M. Harrison and Liantao Ma},
journal= {arXiv preprint arXiv:2209.07805},
year = {2024}
}
备注
Junyi Gao, Yinghao Zhu and Wenqing Wang contributed equally