EventScore：面向临床事件的自动化实时早期预警评分
机器学习
2021-02-16 v2
摘要
对临床恶化风险患者的早期预测可帮助医生干预并改善其临床进程以获得更好结局。除准确性要求外，早期预警系统必须足够早地作出预测，以便为医生留出充足干预时间。可解释性亦是构建此类系统的挑战之一，因为临床上期望能论证模型决策背后的推理。本工作中，我们构建了一个可解释模型，用于早期预测指示临床恶化的多种不良临床事件。该模型在两个数据集与四类临床事件上评估。第一个数据集采集自石溪医院以 COVID-19 阳性为主的群体。第二个数据集为 MIMIC III 数据集。模型经训练为石溪医院数据集提供通气、ICU 转运与死亡预测任务的早期预警评分，并为 MIMIC III 数据集预测死亡与血管活性药物需求。我们的模型首先将每个特征划分为多个区间，然后使用带 lasso 惩罚的逻辑回归为每个特征筛选区间子集。模型训练完全自动化，无需像其他早期预警评分那样依赖专家知识。我们将模型与医院常用的改良早期预警评分（MEWS）和快速 SOFA（qSOFA）比较。结果表明，在受试者工作特征曲线下面积（AUROC）上我们的模型优于这些模型，同时在所有临床事件上具备相似或更优的中位检测时间，即便使用更少特征。不同于 MEWS 与 qSOFA，我们的模型可完全自动化，无需任何人工记录特征。我们还通过与基线逻辑回归模型比较，显示离散化提升了模型性能。
引用
@article{arxiv.2102.05958,
title = {EventScore: An Automated Real-time Early Warning Score for Clinical Events},
author = {Ibrahim Hammoud and Prateek Prasanna and IV Ramakrishnan and Adam Singer and Mark Henry and Henry Thode},
journal= {arXiv preprint arXiv:2102.05958},
year = {2021}
}