基于生理信号深度时间插值与聚类网络识别急性疾病表型
机器学习
2023-08-01 v1 定量方法
摘要
入院初始几小时影响临床轨迹，但早期临床决策常因数据匮乏而受限。通过对入院六小时内生命体征进行聚类分析，具有不同病理生理特征与结局的患者表型可支持早期临床决策。我们构建了一个单中心纵向电子健康记录（EHR）数据集，包含75,762名在三级医疗中心入院至少6小时的成人。我们提出了一种深度时间插值与聚类网络，从稀疏、不规则采样的生命体征数据中提取潜在表示，并在训练队列（n=41,502）中推导出不同的患者表型。模型与超参数基于验证队列（n=17,415）选定。测试队列（n=16,845）用于分析可重复性与生物标志物相关性。训练、验证和测试队列在年龄（54-55岁）、性别（55%女性）、种族、合并症和疾病严重度分布上相似。共识别出四个簇。表型A（18%）合并症最多，其长期呼吸功能不全、急性肾损伤、脓毒症发生率及三年死亡率更高。表型B（33%）和C（31%）呈现轻度器官功能障碍的弥散模式。表型B短期结局良好但三年死亡率居第二高。表型C临床结局良好。表型D（17%）有早期/持续性低血压、高早期手术率及显著的炎症生物标志物水平，但三年死亡率第二低。比较各表型SOFA评分后，聚类结果并未简单重复其他危重程度评估。在异质队列中，深度时间插值与聚类网络识别出了具有不同疾病类别与结局的四个表型。该工具可能影响时间受限下的分诊决策与临床决策支持。
引用
@article{arxiv.2307.15719,
title = {Identifying acute illness phenotypes via deep temporal interpolation and clustering network on physiologic signatures},
author = {Yuanfang Ren and Yanjun Li and Tyler J. Loftus and Jeremy Balch and Kenneth L. Abbott and Shounak Datta and Matthew M. Ruppert and Ziyuan Guan and Benjamin Shickel and Parisa Rashidi and Tezcan Ozrazgat-Baslanti and Azra Bihorac},
journal= {arXiv preprint arXiv:2307.15719},
year = {2023}
}
备注
28 pages (79 pages incl. supp. material), 4 figures, 2 tables, 19 supplementary figures, 9 supplementary tables