基于可解释、不确定性感知与多任务深度神经网络对术后并发症的动态预测
机器学习
2022-05-19 v2 机器学习
摘要
准确预测术后并发症可为有关预后、术前风险降低和术后资源使用的共同决策提供信息。我们假设多任务深度学习模型在预测术后并发症方面优于随机森林模型，且整合高分辨率术中生理时间序列将产生更细粒度和个性化的健康表征，从而相比术前预测改善预后。在一项针对大学医学中心接受 67,481 例住院外科手术的 56,242 名患者的纵向队列研究中，我们使用术前、术中和围手术期患者数据，比较了深度学习模型与随机森林在预测九种常见术后并发症上的表现。我们的研究在多个实验设置下得出了若干显著结果，表明深度学习在捕捉更精确的患者健康表征以辅助外科决策支持方面具有效用。多任务学习通过减少计算资源而不损害预测性能来提高效率。积分梯度可解释性机制识别了每种并发症中潜在可改变的风险因素。蒙特卡洛 dropout 方法提供了预测不确定性的定量度量，有潜力增强临床信任。多任务学习、可解释性机制和不确定性度量展现出促进有效临床实施的潜力。
引用
@article{arxiv.2004.12551,
title = {Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks},
author = {Benjamin Shickel and Tyler J. Loftus and Matthew Ruppert and Gilbert R. Upchurch and Tezcan Ozrazgat-Baslanti and Parisa Rashidi and Azra Bihorac},
journal= {arXiv preprint arXiv:2004.12551},
year = {2022}
}