重症监护中基于稀疏贝叶斯神经网络的可解释结局预测
机器学习
2019-09-10 v2 机器学习
摘要
临床决策具有挑战性，原因在于病理复杂性，以及常规临床护理中产生的大量异构数据。近年来，已开发机器学习工具以辅助该过程。重症监护病房（ICU）入院代表数据最密集且时间最紧迫的患者护理过程。在此背景下，预测模型可帮助临床医生确定哪些患者风险最高并优先护理。然而，人工神经网络（ANNs）等灵活工具缺乏可解释性，限制了临床医生对它们的接受度。在这项工作中，我们提出了一种新颖的可解释贝叶斯神经网络架构，它兼具ANN的灵活性与特征选择方面的可解释性。特别地，我们以绑定方式采用稀疏诱导先验分布，以学习哪些特征对结局预测重要。我们使用两个真实世界ICU队列在死亡率预测任务上评估了我们的方法。与临床医生合作，我们发现除预测结局结果外，我们的方法还能提供关于不同临床测量重要性的新见解。这表明我们的模型可支持医学专家的决策过程。
引用
@article{arxiv.1905.02599,
title = {Interpretable Outcome Prediction with Sparse Bayesian Neural Networks in Intensive Care},
author = {Hiske Overweg and Anna-Lena Popkes and Ari Ercole and Yingzhen Li and José Miguel Hernández-Lobato and Yordan Zaykov and Cheng Zhang},
journal= {arXiv preprint arXiv:1905.02599},
year = {2019}
}