DySurv：基于条件变分推断的生存分析动态深度学习模型
机器学习
2024-11-26 v3
摘要
面向纵向电子健康记录的机器学习应用通常在固定时间点预测事件风险，而生存分析通过估计事件发生时间分布来实现动态风险预测。在此，我们提出一种基于条件变分自编码器的新方法 DySurv，它利用电子健康记录中的静态与纵向测量值来动态估计个体死亡风险。DySurv 直接估计累积风险发生函数，而无需对事件发生时间的底层随机过程做任何参数假设。我们在 6 个医疗领域事件发生时间基准数据集，以及从 eICU 协作研究（eICU）和重症监护医疗信息集市数据库（MIMIC-IV）提取的 2 个真实世界重症监护病房（ICU）电子健康记录（EHR）数据集上评估 DySurv。在一致性和其他指标上，DySurv 优于其他现有的统计与深度学习方法论的事件时间分析。在 eICU 案例中其时间依赖一致性超过 60%。相比 Acute Physiology and Chronic Health Evaluation（APACHE）和 Sequential Organ Failure Assessment（SOFA）等在用 ICU 评分，其准确率高出 12% 以上，灵敏度高出 22% 以上。DySurv 的预测能力具有一致性，且不同数据集间的生存估计保持解耦。我们的跨学科框架成功融合了深度学习、生存分析与重症监护，创建了从纵向健康记录进行事件时间预测的新方法。我们在多个来自不同医疗数据集的留出测试集上测试了该方法，并与现有的在用临床风险评分基准进行比较。
引用
@article{arxiv.2310.18681,
title = {DySurv: dynamic deep learning model for survival analysis with conditional variational inference},
author = {Munib Mesinovic and Peter Watkinson and Tingting Zhu},
journal= {arXiv preprint arXiv:2310.18681},
year = {2024}
}