预测冠状动脉旁路移植术后 30 天再入院的深度学习途径
机器学习
2018-12-04 v1 定量方法
机器学习
摘要
冠状动脉旁路移植术（CABG）出院后 30 天内再入院是医疗成本的显著来源。许多预测模型被开发以识别再入院的风险因素。然而，现有模型大多使用出院可用数据的统计分析技术。我们提出一种集成模型，利用出院前围手术期数据与机器学习生存分析技术预测 CABG 再入院。首先，我们将五十一个潜在再入院风险变量用于 Cox 比例风险（CPH）生存回归单变量分析。其中十四个变量显著（p 值 < 0.05），对再入院有贡献。随后，我们将这 14 个预测因子用于多变量 CPH 模型及 CPH 模型的深度学习神经网络（NN）表示 DeepSurv。我们用 453 例孤立成人 CABG 病例验证了这一新集成模型。十四个围手术期风险变量中的九个被确定为最显著变量，其风险比（HR）大于 1.0。随后用训练与验证数据集评估了 CPH、DeepSurv 与集成模型的 concordance index 指标。我们的集成模型在 c 统计量方面取得了有前景的结果，且随迭代次数与数据集规模增大而提升。利用机器学习生存分析技术，结合围手术期出院前数据可更有效地预测孤立 CABG 患者的 30 天全因再入院。预测准确度可借深度学习算法进一步提高。
引用
@article{arxiv.1812.00596,
title = {Deep Learning Approach for Predicting 30 Day Readmissions after Coronary Artery Bypass Graft Surgery},
author = {Ramesh B. Manyam and Yanqing Zhang and William B. Keeling and Jose Binongo and Michael Kayatta and Seth Carter},
journal= {arXiv preprint arXiv:1812.00596},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216