基于高斯过程时间卷积网络与动态时间规整的脓毒症早期识别
机器学习
2020-10-16 v4 应用统计
机器学习
摘要
脓毒症是一种危及生命的宿主对感染的反应，具有高死亡率、高发病率和高医疗成本。其处理高度时间敏感，因为每延迟一小时治疗，因不可逆器官损伤导致的死亡率便会增加。同时，尽管有数十年的临床研究，仍缺乏可靠的脓毒症生物标志物。因此，利用丰富的高分辨率重症监护记录早期检测脓毒症已成为一个具有挑战性的机器学习问题。深度学习和数据挖掘的最新进展有望提供一套强大的工具来高效解决该任务。本实证研究提出了两种用于脓毒症早期检测的新方法：一个深度学习模型和一个基于时间序列距离的惰性学习器。我们的深度学习模型采用嵌入在多任务高斯过程适配器框架中的时间卷积网络，使其可直接应用于非等间隔时间序列数据。相比之下，我们的惰性学习器是一种采用动态时间规整的集成方法。我们将脓毒症的及时检测构建为监督时间序列分类任务。为此，我们推导出最近 hourly 分辨率的脓毒症定义，以提供首个完全可访问的脓毒症早期检测环境。在脓毒症发作前七小时，我们的方法将精确率-召回率曲线下面积从最先进方法的0.25提升至0.35/0.40。这表明它们非常适合于在管理最有效的最关键早期阶段检测脓毒症。
引用
@article{arxiv.1902.01659,
title = {Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping},
author = {Michael Moor and Max Horn and Bastian Rieck and Damian Roqueiro and Karsten Borgwardt},
journal= {arXiv preprint arXiv:1902.01659},
year = {2020}
}
备注
Accepted at the Machine Learning for Healthcare 2019 Conference (MLHC). Camera-ready version