设计保留临床知识的最佳死亡风险预测评分
机器学习
2015-04-30 v2 应用统计
摘要
许多院内死亡风险预测评分将预测变量二值化以简化评分计算。然而，在形式为“若变量 高于/低于阈值 则加 分”的此类加法逐步评分中进行硬阈值处理，可能导致关键性失效。本文旨在开发一种风险预测评分，既能保留现有加法逐步评分特征与结构中嵌入的临床知识，又能解决由变量二值化引起的局限性。为此，我们提出了一种新的评分结构，该结构通过非线性逻辑函数对预测变量进行变换，从而实现对变量临界值与正常值的平滑区分。我们开发了一个优化框架，通过循环块坐标下降法为给定患者群体推断逻辑函数的参数。随着患者群体和护理标准的演变，这些参数可以方便地更新。我们在两个人群中测试了所提出的方法：(1) 2007 年至 2012 年间入住德克萨斯州中部戴尔儿童医疗中心重症监护室的脑创伤患者；(2) 来自 MIMIC II 数据库的成人 ICU 患者数据。将结果与广泛使用的 PRISM III 和 SOFA 评分进行了比较。在交叉验证研究中，使用 ROC 曲线下面积、Youden 指数和精确率 - 召回率平衡来评估评分的预测能力。结果表明，新框架在所有三项指标上均比 PRISM III 和 SOFA 实现了显著的性能提升。
引用
@article{arxiv.1411.5086,
title = {Designing Optimal Mortality Risk Prediction Scores that Preserve Clinical Knowledge},
author = {Natalia M. Arzeno and Karla A. Lawson and Sarah V. Duzinski and Haris Vikalo},
journal= {arXiv preprint arXiv:1411.5086},
year = {2015}
}
备注
30 pages, 5 figures