从 ICU 数据学习具有预测性且可解释的时间序列摘要
机器学习
2021-09-24 v1
摘要
利用跨时间（而非仅最新测量值）患者数据的机器学习模型，在重症监护病房中的许多风险分层任务上提升了性能。然而，这些模型及其学习到的表示往往复杂，因而临床医生难以解释，给验证带来挑战。我们的工作提出了一种新流程，用于学习既具预测性又易于人类理解的临床时间序列摘要。具体而言，我们的摘要由临床数据的简单直观函数（例如下降的平均动脉压）构成。我们学习到的摘要在院内死亡分类任务上优于传统的可解释模型类别，并取得了与最先进深度学习模型相当的性能。
引用
@article{arxiv.2109.11043,
title = {Learning Predictive and Interpretable Timeseries Summaries from ICU Data},
author = {Nari Johnson and Sonali Parbhoo and Andrew Slavin Ross and Finale Doshi-Velez},
journal= {arXiv preprint arXiv:2109.11043},
year = {2021}
}
备注
10 pages, 3 figures, AMIA 2021 Annual Symposium