使用深度网络进行临床干预预测与理解
机器学习
2017-05-25 v1
摘要
重症监护病房（ICU）内的临床干预实时预测仍然是一项挑战。数据源的噪声大、稀疏、异构以及结果不平衡使得该任务更加复杂。在本文中，我们整合了所有可用 ICU 数据源（生命体征、实验室检查、临床笔记、人口统计学特征）的数据，并专注于学习该数据的丰富表示，以预测多种侵入性干预的起始与撤除。具体而言，我们比较了长短期记忆网络（LSTM）和卷积神经网络（CNN）在五项干预任务上的预测表现：有创通气、无创通气、血管活性药物、胶体推注和晶体液推注。我们的预测以前瞻方式执行以实现“实时”性能，并且预测与干预执行之间保持六小时的间隔，以支持具有临床可操作性的规划。我们利用深度架构在预测任务上取得了 SOTA 结果。我们探索了使用特征遮挡来解释 LSTM 模型，并将其与考察最大程度激活 CNN 输出的输入所获得的可解释性进行了比较。我们表明，我们的模型在干预预测上能够显著优于基线方法，并提供了对模型学习的深入分析，这对于此类模型在实际中的采用至关重要。
引用
@article{arxiv.1705.08498,
title = {Clinical Intervention Prediction and Understanding using Deep Networks},
author = {Harini Suresh and Nathan Hunt and Alistair Johnson and Leo Anthony Celi and Peter Szolovits and Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:1705.08498},
year = {2017}
}