以临床相关性为目标

Bar Eini Porat; Danny Eytan; Uri Shalit

以临床相关性为目标

机器学习 2024-03-28 v1 人工智能人机交互机器学习

作者: Bar Eini Porat , Danny Eytan , Uri Shalit

摘要

生命体征在重症监护室（ICU）中至关重要。它们被用于跟踪患者状态并识别具有临床意义的变化。预测生命体征轨迹对于早期发现不良事件具有重要价值。然而，像 RMSE 这样的传统机器学习指标通常无法捕捉此类预测的真正临床相关性。我们引入了与临床情境相一致的新型生命体征预测性能指标，重点关注偏离临床正常值、总体趋势以及趋势偏差的情况。这些指标是根据之前一项通过采访 ICU 临床医生获得的经验效用曲线推导出来的。我们使用模拟和真实临床数据集（MIMIC 和 eICU）验证了这些指标的实用性。此外，我们将这些指标作为神经网络的损失函数，使得模型在预测具有临床意义的事件方面表现出色。本研究为具有临床相关性的机器学习模型评估与优化铺平了道路，有望改善 ICU 患者的护理。10页，9图。

关键词

生命体征临床相关性机器学习指标重症监护室损失函数

引用

@article{arxiv.2403.18668,
  title  = {Aiming for Relevance},
  author = {Bar Eini Porat and Danny Eytan and Uri Shalit},
  journal= {arXiv preprint arXiv:2403.18668},
  year   = {2024}
}

备注

10 pages, 9 figures, AMIA Informatics 2024

以临床相关性为目标

摘要

关键词

引用

备注

相关论文