一种机器学习早期预警系统：巴西多家医院的多中心验证
机器学习
2020-06-11 v1 机器学习
摘要
早期识别临床恶化是降低住院患者发病率和死亡率的主要步骤之一。医院中临床恶化识别的艰巨任务在于医护人员的紧张日常、电子健康记录（EHRs）中存储的互不连通的患者数据，以及低准确度评分的使用。由于普通病房相较于重症监护室（ICU）受到的关注更少，我们假设当平台连接到 EHR 数据流时，对危险情况的感知将大幅改善，从而协助医疗团队。通过应用机器学习，该系统能够考虑患者的全部病史，并利用高性能预测模型实现智能早期预警系统。本工作中我们使用了来自六家不同医院的 121,089 次医疗就诊和 7,540,389 个数据点，并将流行的病房协议与六种可扩展的机器学习方法（三种为经典机器学习模型，即基于逻辑和概率的模型，三种为梯度提升模型）进行比较。结果显示，最佳机器学习模型结果相比当前最先进（SOTA）协议的 AUC（受试者工作特征曲线下面积）具有 25 个百分点的优势。这通过留一组交叉验证（AUC 为 0.949）的算法泛化能力以及交叉验证（AUC 为 0.961）的鲁棒性得以体现。我们还进行了实验比较若干窗口大小，以论证使用五个患者时间戳的合理性。为可复现起见，样本数据集、实验和代码均已公开。
引用
@article{arxiv.2006.05514,
title = {A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals},
author = {Jhonatan Kobylarz and Henrique D. P. dos Santos and Felipe Barletta and Mateus Cichelero da Silva and Renata Vieira and Hugo M. P. Morales and Cristian da Costa Rocha},
journal= {arXiv preprint arXiv:2006.05514},
year = {2020}
}
备注
Paper accepted by IEEE 33rd International Symposium on Computer Based Medical Systems (CBMS) 2020