基于深度学习对电子健康记录事件序列的脓毒症早期检测
机器学习
2019-06-10 v1 应用统计
机器学习
摘要
及时检测正在发生的脓毒症事件是影响患者预后的关键因素。基于电子健康记录数据构建的机器学习模型可作为改善及时性的有效工具，但迄今为止其临床应用的潜力主要局限于重症监护病房的研究。本研究将采用更丰富的数据集，将这些模型的适用性扩展到重症监护病房之外。此外，我们将规避文献中发现的若干重要局限：1）模型在脓毒症发病前不久评估，未考虑已启动的干预措施。2）机器学习模型构建于受限的临床参数集上，而这些参数并非在所有科室都必然被测量。3）模型性能受当前脓毒症认知限制，因为特征交互和时间依赖被硬编码入模型。本研究中，我们提出一种在多样化多中心数据集上采用深度学习方法来克服这些缺陷的模型。我们使用了来自多个丹麦医院跨越七年的回顾性数据。我们的脓毒症检测系统由卷积神经网络与长短期记忆网络组合构成。我们建议通过考察预测时间之前的静脉抗生素和血培养，对干预措施进行回顾性评估。结果显示性能范围从 AUROC 0.856（脓毒症发病前 3 小时）到 AUROC 0.756（发病前 24 小时）。我们提出了一种脓毒症早期检测的深度学习系统，能够从原始事件序列数据自身学习关键因素的特征与交互，而无需依赖劳动密集型的手动特征提取。
引用
@article{arxiv.1906.02956,
title = {Early detection of sepsis utilizing deep learning on electronic health record event sequences},
author = {Simon Meyer Lauritsen and Mads Ellersgaard Kalør and Emil Lund Kongsgaard and Katrine Meyer Lauritsen and Marianne Johansson Jørgensen and Jeppe Lange and Bo Thiesson},
journal= {arXiv preprint arXiv:1906.02956},
year = {2019}
}