基于连续时间 Hawkes 过程的脓毒症相关紊乱的 Granger 因果链发现
应用统计
2023-05-24 v5 统计方法学
机器学习
摘要
现代医疗系统正以越来越高的频率对电子病历（EMR）进行连续自动化监测，以识别不良事件；然而，许多事件（如脓毒症）尚无明确的先兆（即事件链）可用于在其进程早期识别和拦截该不良事件。临床相关且可解释的结果需要一个能够（i）推断 EMR 数据（如化验、生命体征等）中多个患者特征间时间相互作用，以及（ii）识别先于并特异于即将发生的不良事件（如脓毒症）之模式的框架。本工作中，我们提出一种线性多元 Hawkes 过程模型，结合 ReLU 链接函数，以恢复具有激发与抑制效应的 Granger 因果（GC）图。我们开发了一种可扩展的两阶段基于梯度的方法来获得最大代理似然估计量，并通过大量数值模拟证明其有效性。我们的方法随后被扩展到美国佐治亚州亚特兰大 Grady 医院系统收治的患者数据集，其中估计的 GC 图识别出若干先于脓毒症的高度可解释 GC 链。代码见 \url{https://github.com/SongWei-GT/two-phase-MHP}。
引用
@article{arxiv.2209.04480,
title = {Granger Causal Chain Discovery for Sepsis-Associated Derangements via Continuous-Time Hawkes Processes},
author = {Song Wei and Yao Xie and Christopher S. Josef and Rishikesan Kamaleswaran},
journal= {arXiv preprint arXiv:2209.04480},
year = {2023}
}