一种基于知识蒸馏集成框架从电子健康记录数据预测短期与长期住院结局
机器学习
2021-06-14 v2 计算机与社会
摘要
准确预后患者的能力对于前瞻性临床决策、合理的资源管理和个性化诊疗至关重要。现有结局预测模型对罕见阳性结局的召回率较低。我们提出一种高度可扩展且鲁棒的机器学习框架，用于从入院首 24 小时内的时序生命体征和实验室结果自动预测以死亡和 ICU 入院为代表的不良事件。该堆叠平台包含两个组件：a) 一个无监督 LSTM 自编码器，学习时序的最优表示，并借此区分以不良事件结尾的较罕见模式与未结尾的多数模式；b) 一个梯度提升模型，依赖所构建的表示并结合人口统计学、入院信息和临床摘要等静态特征精炼预测。该模型用于随时间评估患者不良风险，并基于患者静态特征与动态信号提供预测的可视化依据。三项针对死亡与 ICU 入院预测的病例研究表明，该模型优于所有现有结局预测模型，在 ICU 与普通病房环境中预测死亡的 PR-AUC 达 0.891（95 CI：0.878–0.969），预测 ICU 入院的 PR-AUC 达 0.908（95 CI：0.870–0.935）。
引用
@article{arxiv.2011.09361,
title = {A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data},
author = {Zina M Ibrahim and Daniel Bean and Thomas Searle and Honghan Wu and Anthony Shek and Zeljko Kraljevic and James Galloway and Sam Norton and James T Teo and Richard JB Dobson},
journal= {arXiv preprint arXiv:2011.09361},
year = {2021}
}
备注
14 pages