面向删失生理数据的半马尔可夫切换线性高斯模型
机器学习
2016-11-17 v1 机器学习
摘要
普通病房中的危重患者容易发生意外的临床恶化，需要及时转入重症监护室（ICU）。为了在此类场景下进行风险评分和患者监测，我们为住院患者的生理状态开发了一种新颖的半马尔可夫切换线性高斯模型（SSLGM）。该模型捕捉患者的潜在临床状态及其对应的可观测实验室检验和生命体征。我们提出了一种高效的无监督学习算法，该算法利用电子健康记录（EHR）中的信息性删失数据来学习 SSLGM 的参数；然后使用学习到的模型以在线方式评估新入院患者的临床恶化风险，从而实现及时的 ICU 收治。在一家大型学术医疗中心收治的 6,094 名患者的异质性队列上进行的实验表明，所提出的模型显著优于当前部署的风险评分，如 Rothman 指数、MEWS、SOFA 和 APACHE。
引用
@article{arxiv.1611.05146,
title = {A Semi-Markov Switching Linear Gaussian Model for Censored Physiological Data},
author = {Ahmed M. Alaa and Jinsung Yoon and Scott Hu and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1611.05146},
year = {2016}
}