基于约束数据同化与电子健康记录数据的 ICU 生理指标可解释预测
应用统计
2023-05-12 v1 定量方法
摘要
生理状态的预测在医疗实践中十分重要，因为干预措施以干预的预测影响为指导。但医学中的预测十分困难，因为生成系统复杂且难以仅从数据理解，并且相对于生成过程的复杂性而言数据稀疏，这是由于数据收集的人力成本所致。计算装置潜在地可使预测更准确，但在真实临床数据约束下，由于数据稀疏、有噪声且非平稳，稳健推断十分困难。本文关注使用数据同化（一类将机理模型与卡尔曼滤波等推断装置配对的广泛方法）对重症监护病房（ICU）中稀疏、非平稳的电子健康记录数据进行预测。我们发现，要使稀疏临床数据的推断准确且稳健，需要超越标准 DA 方法的进展并结合额外的机器学习方法。具体而言，我们展示了将新近发展的约束集合卡尔曼滤波与机器学习方法结合，可在最小化数据需求的同时显著提升稳健性与准确性。我们还指出了卡尔曼滤波方法的局限性，这些局限性引出了为使真实临床数据下的临床环境推断可行而需克服的新问题。
引用
@article{arxiv.2305.06513,
title = {Interpretable Forecasting of Physiology in the ICU Using Constrained Data Assimilation and Electronic Health Record Data},
author = {David Albers and Melike Sirlanci and Matthew Levine and Jan Claassen and Caroline Der Nigoghossian and George Hripcsak},
journal= {arXiv preprint arXiv:2305.06513},
year = {2023}
}