基于域自适应的 ICU 死亡风险动态预测
机器学习
2019-12-24 v1 机器学习
摘要
在重症监护病房(ICU)住院期间早期识别高风险轨迹是提升患者存活率的关键步骤之一。从 ICU 住院期间连续测量的生理信号中学习轨迹,需要学习跨不同患者群体稳健且具判别力的时间序列特征。不同 ICU 群体(此处称域)的患者在年龄、病症和干预措施上各异。因此,使用特定 ICU 群体患者数据训练的死亡预测模型在其他群体中表现可能次优,因为用于训练此类模型的特征在各组间分布不同。本文探索域自适应策略,以学习能从多元时间序列 ICU 数据中提取并迁移复杂时间特征的死亡预测模型。特征以如下方式提取:患者在某时刻的状态依赖于前一状态,从而实现动态预测并构建描述患者特定时刻风险的死亡风险空间。基于跨 ICU 群体的实验表明,我们的模型优于所有考虑的基线。与近期具代表性的 ICU 死亡预测 SOTA 方法相比,早期预测的 AUC 提升达 4% 至 8%。特别地,心脏 ICU 群体的模型 AUC 高达 0.88,显示出优异的早期死亡预测临床效用。最后,我们给出对可能的 ICU 结局影响因素的解释,以使模型能补充临床推理。
引用
@article{arxiv.1912.10080,
title = {Dynamic Prediction of ICU Mortality Risk Using Domain Adaptation},
author = {Tiago Alves and Alberto Laender and Adriano Veloso and Nivio Ziviani},
journal= {arXiv preprint arXiv:1912.10080},
year = {2019}
}