学习临床概念以预测进展为重症COVID-19的风险
机器学习
2022-08-30 v1 机器学习
摘要
随着COVID-19如今广泛流行,识别高风险个体至关重要。利用来自宾夕法尼亚州西南部一家主要医疗服务提供者的数据,我们开发了预测重症COVID-19进展的生存模型。在此工作中,我们面临一种权衡:依赖大量特征的更准确模型与依赖少数符合临床医生直觉特征的较不准确模型。使问题更复杂的是,许多电子健康记录(EHR)特征往往编码不足,降低了较小模型的准确性。在本研究中,我们开发了两组高性能风险评分:(i)由所有可用特征构建的无约束模型;以及(ii)在训练风险预测器之前学习一小组临床概念的流程。所学概念相较对应特征提升了性能(C-index 0.858 vs. 0.844),并且在样本外(后续时间段)评估时显示出优于(i)的改进。我们的模型优于先前工作(C-index 0.844-0.872 vs. 0.598-0.810)。
引用
@article{arxiv.2208.13126,
title = {Learning Clinical Concepts for Predicting Risk of Progression to Severe COVID-19},
author = {Helen Zhou and Cheng Cheng and Kelly J. Shields and Gursimran Kochhar and Tariq Cheema and Zachary C. Lipton and Jeremy C. Weiss},
journal= {arXiv preprint arXiv:2208.13126},
year = {2022}
}