MedML：融合医学知识与机器学习模型用于儿童 COVID-19 早期住院与重症预测
机器学习
2022-07-28 v1
摘要
COVID-19 大流行造成了破坏性的经济与社会紊乱，使全球医疗机构的资源紧张。这引发了全国范围内对预测 COVID-19 患者住院与重症的模型的需求，以指导有限医疗资源的分配。我们响应其中一项针对儿科人群的具体号召。为应对该挑战，我们利用电子健康记录研究儿科人群的两个预测任务：1）预测哪些儿童更可能住院；2）在住院儿童中，哪些个体更可能发展为重症。我们以新颖的机器学习模型 MedML 响应全国儿科 COVID-19 数据挑战。MedML 基于医学知识与倾向得分从超过 600 万医学概念中提取最具预测性的特征，并通过图神经网络（GNN）纳入异质医学特征间的特征间关系。我们使用来自国家队列协作（N3C）数据集的数据，在 143,605 名患者上评估 MedML 的住院预测任务，在 11,465 名患者上评估重症预测任务。我们还报告了详细的组级与个体级特征重要性分析以评估模型可解释性。与最佳基线机器学习模型相比，MedML 的 AUROC 分数最高提升 7%，AUPRC 分数最高提升 14%，并且自大流行开始以来在所有九个国家级地理区域与所有三个月时间段上均表现良好。我们的跨学科研究团队开发了一种将临床领域知识作为框架的新型机器学习模型，其预测性与可解释性优于当前最先进的数据驱动特征选择方法。
引用
@article{arxiv.2207.12283,
title = {MedML: Fusing Medical Knowledge and Machine Learning Models for Early Pediatric COVID-19 Hospitalization and Severity Prediction},
author = {Junyi Gao and Chaoqi Yang and George Heintz and Scott Barrows and Elise Albers and Mary Stapel and Sara Warfield and Adam Cross and Jimeng Sun and the N3C consortium},
journal= {arXiv preprint arXiv:2207.12283},
year = {2022}
}
备注
This submission has been removed by arXiv administrators as the submitter did not have the authority to grant the license at the time of submission