利用全数据包容的深度学习模型预测MIMIC-III数据库中的危重事件
机器学习
2020-09-04 v1
摘要
重症监护临床医生需要可靠的临床实践工具，以 preempt 重症监护病房(ICU)中可能伤害患者的突发危重事件，提前规划及时干预，并使患者家属充分了解情况。传统统计模型仅筛选有限的关键变量构建，这意味着大量未知的潜在宝贵数据未被使用。深度学习模型(DLMs)可用于从大型复杂数据集中学习并构建预测性临床工具。本回顾性研究使用涉及35,348名患者的42,818次住院记录，为MIMIC-III数据集的一个子集。应用自然语言处理(NLP)技术构建DLMs以预测院内死亡率(IHM)与住院时长≥7天(LOS)。处理了跨多个数据源的超过7500万条事件，生成超过3.55亿个词元。使用全数据源(AS)与图表数据(CS)预测IHM的DLMs分别取得0.9178与0.9029的AUC-ROC，以及0.6251与0.5701的PR-AUC。使用AS与CS预测LOS的DLMs分别取得0.8806与0.8642的AUC-ROC，以及0.6821与0.6575的PR-AUC。在p=0.05水平下，模型间观察到的AUC-ROC差异对IHM与LOS均显著；模型间观察到的PR-AUC差异对IHM显著，对LOS统计不显著。本研究中，深度学习模型使用电子健康记录(EHRs)中多种来源的数据构建，如图表数据、输入输出事件、实验室值、微生物事件、操作、笔记与处方。利用全数据源构建的模型能够以更高置信度与可靠性预测院内死亡率。
引用
@article{arxiv.2009.01366,
title = {All Data Inclusive, Deep Learning Models to Predict Critical Events in the Medical Information Mart for Intensive Care III Database (MIMIC III)},
author = {Anubhav Reddy Nallabasannagari and Madhu Reddiboina and Ryan Seltzer and Trevor Zeffiro and Ajay Sharma and Mahendra Bhandari},
journal= {arXiv preprint arXiv:2009.01366},
year = {2020}
}
备注
18 pages, 9 Figures