基准测试深度学习架构以预测ICU再入院并刻画高风险患者
机器学习
2020-01-08 v3 机器学习
摘要
目的：比较不同的深度学习架构，用于预测重症监护病房（ICU）出院后30天内再入院的风险。利用基于注意力模型的可解释性来刻画高风险患者。方法：使用公开可用的电子病历数据（MIMIC-III，涉及33,150名患者的45,298次ICU住院），训练了若干利用注意力机制、循环层、神经常微分方程（ODEs）以及具有时间感知注意力的医疗概念嵌入的深度学习架构。采用贝叶斯推断计算基于注意力的模型权重的后验分布。针对静态变量计算了与再入院风险增加相关的优势比。根据相关的再入院风险对诊断、操作、用药和生命体征进行排序。结果：一种循环神经网络，其代码嵌入的时间动态由神经ODEs计算，取得了最高平均精度0.331（AUROC：0.739，F1分数：0.372）。各神经网络架构的预测精度相当。高风险患者群体包括患有感染性并发症者、慢性或进展性疾病者，以及标准医疗护理不适用者。结论：如果需要可解释模型，基于注意力的网络可能优于循环网络，且仅以微小的预测精度损失为代价。
引用
@article{arxiv.1905.08547,
title = {Benchmarking Deep Learning Architectures for Predicting Readmission to the ICU and Describing Patients-at-Risk},
author = {Sebastiano Barbieri and James Kemp and Oscar Perez-Concha and Sradha Kotwal and Martin Gallagher and Angus Ritchie and Louisa Jorm},
journal= {arXiv preprint arXiv:1905.08547},
year = {2020}
}