重症监护病房中基于异构时间序列的动态生存预测：无需变量选择或预处理
机器学习
2019-09-18 v2 应用统计
摘要
我们提出一种机器学习流程与模型，利用完整的未筛选电子健康记录（EHR）在任意时间间隔预测院内死亡率，使用所有可用的图表、检验与输出事件，无需预处理或特征工程。来自 MIMIC-III 数据库的超过 45,000 名美国 ICU 患者数据被用于开发 ICU 死亡率预测模型。受自然语言处理（NLP）启发，所有图表、检验与输出事件被模型以相同方式处理。患者事件按百分位离散化并映射至学习到的嵌入，随后传入循环神经网络（RNN）以提供住院死亡率风险的早期预测。我们将死亡率预测与简化急性生理学评分 II（SAPS II）和牛津急性疾病严重程度评分（OASIS）进行比较。数据被划分为独立的测试集（10%），训练期间进行十折交叉验证以避免过拟合。13,233 个具有异构数据类型的变量被纳入而未进行人工选择或预处理。研究发现患者入住初期的记录对死亡率具有强预测力，仅在 2 小时内便优于使用 SAPS II 与 OASIS 评分的模型，并在 12 小时达到最先进的受试者工作特征曲线下面积（AUROC）值 0.80（95% CI 0.79-0.80），而 SAPS II 与 OASIS 在 24 小时分别为 0.70 与 0.66。我们的模型在 MIMIC-III 数据集上于 48 小时后实现院内死亡率预测 AUROC 0.86（95% CI 0.85-0.86）的极强性能。预测性能在 ICU 入住前 48 小时持续提升，但存在收益递减，这为限时危重监护试验提供了依据，并表明决策时机可被优化与个体化。
引用
@article{arxiv.1909.07214,
title = {Dynamic survival prediction in intensive care units from heterogeneous time series without the need for variable selection or pre-processing},
author = {Jacob Deasy and Pietro Liò and Ari Ercole},
journal= {arXiv preprint arXiv:1909.07214},
year = {2019}
}