MGP-AttTCN：一种用于脓毒症预测的可解释机器学习模型
机器学习
2021-05-12 v2 机器学习
摘要
脓毒症每年在全球造成 540 万人死亡，仅美国医疗保健成本就超过 160 亿美元，是医院死亡的主要原因之一，也是日益老龄化的西方社会日益关注的问题。近来，医学与技术进展帮助重新定义了该疾病的诊断标准，而医学界对此疾病仍知之甚少。随着广泛可获取的电子健康记录的兴起，数据挖掘与复杂非线性算法的进展为脓毒症的早期检测提供了一条有前景的途径。本工作通过对医学 MIMIC-III 数据集进行开放获取的标注，为自动化脓毒症检测领域的研究努力做出贡献。此外，我们提出 MGP-AttTCN：一种联合多任务高斯过程与基于注意力机制的深度学习模型，以可解释的方式早期预测脓毒症的发生。我们展示了我们的模型优于当前最先进水平，并给出证据表明不同的标注启发式方法会导致任务难度的差异。例如，在我们新的现实标签上提前五小时预测脓毒症时，我们提出的模型实现了 0.660 的 ROC 曲线下面积和 0.483 的 PR 曲线下面积，而（可解释性较差的）先前最先进模型（MGP-TCN）实现了 0.635 的 AUROC 和 0.460 的 AUPR，流行的商业 InSight 模型实现了 0.490 的 AUROC 和 0.359 的 AUPR。
引用
@article{arxiv.1909.12637,
title = {MGP-AttTCN: An Interpretable Machine Learning Model for the Prediction of Sepsis},
author = {Margherita Rosnati and Vincent Fortuin},
journal= {arXiv preprint arXiv:1909.12637},
year = {2021}
}
备注
Published at PLOS ONE