使用生命体征的早期院内死亡率预测
机器学习
2019-02-12 v2 机器学习
摘要
早期院内死亡率预测至关重要，因为重症监护医生致力于为留在重症监护病房 (ICU) 的重症患者做出高效的医疗决策。因此，基于临床记录已开发出各种方法来解决这一问题。然而，部分实验室测试结果耗时较长且需要处理。在本文中，我们提出了一种利用患者在入住 ICU 首小时内的心脏信号提取特征来预测死亡率的新方法。为了预测风险，基于 ICU 患者的心率信号计算了定量特征。每个信号由 12 个统计和基于信号的特征来描述。提取的特征被输入到八个分类器中：决策树、线性判别、逻辑回归、支持向量机 (SVM)、随机森林、提升树、高斯 SVM 和 K 近邻 (K-NN)。为了深入了解所提方法的性能，使用名为 Medical Information Mart for Intensive Care III (MIMIC-III) 的著名临床数据集进行了若干实验。实验结果证明了所提方法在精确率、召回率、F1 分数和受试者工作特征曲线下面积 (AUC) 方面的能力。决策树分类器在准确率和可解释性方面均优于其他分类器，其 F1 分数和 AUC 分别为 0.91 和 0.93。这表明心率信号可用于预测 ICU 患者的死亡率，其性能与依赖临床记录中需要处理且可能包含缺失信息的高维特征的现有预测方法相当。
引用
@article{arxiv.1803.06589,
title = {Early hospital mortality prediction using vital signals},
author = {Reza Sadeghi and Tanvi Banerjee and William Romine},
journal= {arXiv preprint arXiv:1803.06589},
year = {2019}
}
备注
11 pages, 5 figures, preprint of accepted paper in IEEE&ACM CHASE 2018 and published in Smart Health journal