用于脓毒症疾病轨迹预测的人工神经网络
定量方法
2020-07-30 v1
摘要
临床脓毒症的疾患轨迹，就 temporal 细胞因子与表型动力学而言，可解释为随机动力系统。从临床测量中准确预测患者状态的能力一直困扰生物医学界，主要由于相关高分辨率数据的匮乏。我们利用两种不同神经网络架构，长短期记忆（Long Short-Term Memory, LSTM）与多层感知机（Multi-Layer Perceptron, MLP），以十一种模拟血清细胞因子浓度的五次测量时间序列作为输入，并输出未来细胞因子轨迹以及代表患者健康状态的聚合度量。神经网络在细胞因子轨迹预测与健康度量回归中于50轮内收敛，误差量为预期值（源于模拟中的随机性）。从特定细胞因子谱到健康状态的映射并非唯一，且炎症水平升高导致预测精度下降。由于机器学习误差随计算模型随机性随时间传播，网络应每日以真实数据重新校准，因为随着系统演化至概率吸引域，预测可能偏离真实模型轨迹。本工作作为利用人工神经网络预测脓毒症疾病进展的概念验证。本工作无意取代训练有素的临床医生，其目标是用量化统计信息增强直觉以助其做出最佳决策。我们注意到这依赖于所研究系统的有效计算模型，因为尚不存在充足数据来训练机器学习驱动的人工智能控制器。
引用
@article{arxiv.2007.14542,
title = {Artificial neural networks for disease trajectory prediction in the context of sepsis},
author = {Dale Larie and Gary An and Chase Cockrell},
journal= {arXiv preprint arXiv:2007.14542},
year = {2020}
}