用于预测心脏手术患者术后并发症的新型生成式多任务表征学习方法
摘要
及早检测手术并发症有助于及时治疗和主动风险缓解。机器学习（ML）可用于识别和预测患者术后并发症的风险。我们开发并验证了使用新型手术变分自编码器（surgVAE）预测术后并发症的有效性，该模型通过跨任务和跨队列表征学习揭示内在模式。该回顾性队列研究使用2018至2021年间成年手术患者的电子健康记录数据。评估了六类关键术后并发症：急性肾损伤、心律失常、心脏骤停、深静脉血栓或肺栓塞、血液输血及其他手术期间心脏事件。我们在5折交叉验证下比较了surgVAE与常用ML模型和先进的表征学习与生成模型的预测性能。纳入89,246例手术病例（男性49%，年龄中位数（IQR）57岁（45-69）），其中6,502例为针对心脏手术的患者队列（男性61%，年龄中位数（IQR）60岁（53-70））。surgVAE在心脏手术患者的所有术后并发症预测中均表现优于现有ML方法，宏平均AUPRC为0.409，宏平均AUROC为0.831，分别比最佳替代方法高出3.4%和3.7%。基于集成梯度（Integrated Gradients）的模型解释揭示了术前变量的关键风险因素。surgVAE在预测术后并发症方面表现出色，解决了数据复杂性、小规模队列和低频阳性事件等挑战。surgVAE实现了数据驱动的患者风险和预后预测，同时提高了患者风险轮廓的可解释性。
引用
@article{arxiv.2412.01950,
title = {A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients},
author = {Junbo Shen and Bing Xue and Thomas Kannampallil and Chenyang Lu and Joanna Abraham},
journal= {arXiv preprint arXiv:2412.01950},
year = {2024}
}
备注
This article has been accepted for publication in Journal of the American Medical Informatics Association Published by Oxford University Press. Codes are publicly available at: https://github.com/ai4biomedicine/surgVAE