在干预导致删失的情况下学习(预测)风险评分

在患者住院期间，通常会收集大量且多样的测量数据以监测其健康状况。将这些测量数据整合为能够准确追踪病情严重程度变化的严重程度评分的工具，可以提高临床医生及时采取干预措施的能力。创建此类评分的现有方法要么1)依赖专家完全指定严重程度评分，要么2)使用监督学习，通过对严重程度的替代标志物(如后续不良事件的发生)进行回归来训练预测评分。第一种方法无法推广到无法从专家处获得准确评分的疾病。第二种方法产生的评分常因治疗相关的删失而存在偏差(Paxton, 2013)。我们提出了一种基于排序的疾病严重程度评分学习(DSSL)新框架。DSSL利用了以下关键观察：尽管让专家在任何给定时间量化疾病严重程度极具挑战性，但比较两个不同时间点的疾病严重程度通常很容易。通过扩展现有的排序算法，DSSL学习一个将患者测量向量映射为标量严重程度评分的函数，使得所得评分在时间上平滑且与专家对疾病状态对的排序一致。我们将DSSL应用于利用大型真实世界数据集学习脓毒症严重程度评分的问题。在按严重程度对患者状态进行排序以及早期检测未来不良事件方面，学习到的评分显著优于state-of-the-art临床评分。我们还表明，学习到的疾病严重程度轨迹与疾病演变的临床预期一致。此外，使用模拟数据集，我们表明与上述方法相比，DSSL在治疗模式改变时表现出更好的泛化性能。