一种用于预测重症监护中急性疾病的自校正深度学习方法
机器学习
2019-01-15 v1 机器学习
摘要
在重症监护中，重症医师需要持续监测高维生命体征和实验室测量值，以检测和诊断患者的急性病症。这一直是一项具有挑战性的任务。在本研究中，我们提出一种新颖的自校正深度学习预测方法来应对这一挑战。我们聚焦于急性肾损伤（AKI）预测的示例。与现有模型相比，我们的方法具有若干显著特征：我们利用 ICU 中患者的累积数据；我们开发了将先前预测的误差反馈回网络的自校正机制；我们还提出了一种正则化方法，该方法不仅考虑模型在标签上的预测误差，还考虑其在输入数据上的估计误差。该机制应用于回归和分类任务中。我们在两个真实世界临床数据集上将所提方法的性能与常规深度学习模型进行比较，并证明我们所提模型持续优于这些基线模型。特别地，所提模型在 MIMIC III 数据集上实现了 0.893 的 ROC 曲线下面积，在 Philips eICU 数据集上实现了 0.871。
引用
@article{arxiv.1901.04364,
title = {A Self-Correcting Deep Learning Approach to Predict Acute Conditions in Critical Care},
author = {Ziyuan Pan and Hao Du and Kee Yuan Ngiam and Fei Wang and Ping Shum and Mengling Feng},
journal= {arXiv preprint arXiv:1901.04364},
year = {2019}
}