择期结肠切除术后并发症风险患者的早期分层
机器学习
2018-11-30 v1 机器学习
摘要
对术后并发症风险患者进行分层有助于及时准确的检查，并减轻不良事件给患者与医疗系统带来的负担。目前，美国外科医师学会创建的广泛使用的手术风险计算器 NSQIP 利用 21 个术前协变量评估术后并发症风险，但缺乏容纳术后信息的动态实时能力。我们提出一种新的隐马尔可夫模型序列分类器，用于分析患者术后体温序列，该分类器将其时不变特征同时纳入转移概率与初始状态概率，以开发术后“实时”并发症检测器。来自择期结肠切除术的数据表明，当使用与患者住院时间相关的完整体温序列时，我们的方法相较其他 8 种机器学习分类器具有更优的分类性能。此外，在术后 44 小时内，该模型性能接近于完整长度体温序列下的性能。
引用
@article{arxiv.1811.12227,
title = {Early Stratification of Patients at Risk for Postoperative Complications after Elective Colectomy},
author = {Wen Wang and Rema Padman and Nirav Shah},
journal= {arXiv preprint arXiv:1811.12227},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216