用于发病前急性肾损伤预测的自动化动态贝叶斯网络
机器学习
2023-04-21 v1 人工智能
摘要
若干用于学习动态贝叶斯网络(DBNs)结构的算法需要变量的先验排序,这会影响所确定的图拓扑。然而,若特征重要性未知,通常不清楚如何确定该顺序,尤其当穷举搜索通常不切实际时。本文中,我们引入未知结构排序方法(RAUS),一个用于系统性地确定变量排序并端到端学习网络的自动化框架。RAUS 利用现有统计方法(Cramers V、卡方检验与信息增益)来比较变量排序、所得生成网络拓扑及 DBN 性能。RAUS 使具备有限 DBN 专业知识的终端用户可通过命令行界面实现模型。我们在从住院临床实验室数据预测 impending 急性肾损伤(AKI)的任务上评估 RAUS。从我们的电子健康记录(EHR)收集了 67,460 名患者的纵向观测,随后应用肾脏病改善全球预后(KDIGO)标准定义 AKI 事件。RAUS 同时学习多个 DBN 以在不同时间点(即 AKI 前 24、48、72 小时)预测未来 AKI 事件。我们还将所学 AKI 预测模型与变量排序同基线技术(逻辑回归、随机森林与极端梯度提升)进行比较。RAUS 生成的 DBN 在 AKI 前 24 小时内达到 73-83% 的受试者工作特征曲线下面积(AUCROC);在 7 天观测窗口内 AKI 前 48 小时内达到任何分期的 71-79% AUCROC。该自动化框架的洞见可帮助高效实现并解释用于临床决策支持的 DBN。RAUS 的源代码可在 GitHub 获取:https://github.com/dgrdn08/RAUS 。
引用
@article{arxiv.2304.10175,
title = {Automated Dynamic Bayesian Networks for Predicting Acute Kidney Injury Before Onset},
author = {David Gordon and Panayiotis Petousis and Anders O. Garlid and Keith Norris and Katherine Tuttle and Susanne B. Nicholas and Alex A. T. Bui},
journal= {arXiv preprint arXiv:2304.10175},
year = {2023}
}
备注
27 pages (including 8 pages supplementary information)