GRU-D-Weibull：一种新型实时个体化终点预测方法
机器学习
2023-08-16 v1 人工智能
摘要
针对个体层面终点及终点发生时间的准确预测模型在临床实践中至关重要。在本研究中，我们提出一种新方法 GRU-D-Weibull，其将带衰减的门控循环单元（GRU-D）与 Weibull 分布建模相结合。我们的方法支持实时个体化终点预测与群体层面风险管理。我们使用一组 6,879 名 4 期慢性肾脏病（CKD4）患者，评估了 GRU-D-Weibull 在终点预测中的表现。GRU-D-Weibull 的 C 指数在基线日期约为 0.7，在 4.3 年随访后升至约 0.77，与随机生存森林相近。我们的方法在 CKD4 基线日期的绝对 L1 损失约为 1.1 年（标准差 0.95），在随访 4 年时降至约 0.45 年（标准差 0.3）的最小值，显著优于竞争方法。在整个随访期间，与其他模型相比，GRU-D-Weibull 始终将事件发生时的预测生存概率约束在更小且更固定的范围内。我们观察到点估计误差与基线日期输入特征的缺失比例之间存在显著相关性（相关系数约 0.1 至 0.3），随着更多数据可用，该相关性在 1 年内减弱。通过训练后重新校准，我们成功地在随访期间不同时间点的多个预测区间内对齐了预测与观测生存概率。我们的发现证明了 GRU-D-Weibull 作为下一代终点风险管理架构的巨大潜力，能够利用临床数据生成多种终点估计以实现实时监测。
引用
@article{arxiv.2308.07452,
title = {GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction},
author = {Xiaoyang Ruan and Liwei Wang and Charat Thongprayoon and Wisit Cheungpasitporn and Hongfang Liu},
journal= {arXiv preprint arXiv:2308.07452},
year = {2023}
}
备注
30 pages, 7 figures, 4 supplementary figures