用于非计划ICU转科的关联规则学习的混合整数优化方法
机器学习
2021-02-10 v1 组合数学
机器学习
摘要
在急诊科（ED）收治后，危重病患者会因突发临床恶化而转至重症监护室（ICU）。识别此类非计划ICU转科对于医师实现双重目标十分迫切：提高危重病护理质量并预防死亡。一项优先任务是理解个体患者在ED停留期间诊断结果背后的关键机理，这有助于为早期转至ICU做准备。大多数现有预测研究基于单变量分析或多重逻辑回归以提供一刀切的结果。然而，因病例而异的患者状况可能无法仅通过单一判断准确考察。在本研究中，我们提出一种使用数学优化方法的新决策工具，旨在自动发现将诊断特征与高风险结局（即非计划转科）在不同恶化情景下相关联的规则。我们考虑基于ED就诊主要原因的四个互斥患者亚组：感染、心血管/呼吸系统疾病、胃肠道疾病以及神经/其他疾病，数据来自一家郊区教学医院。分析结果显示了与各亚组非计划转科结局显著相关的规则，并且与最先进的机器学习方法相比，在提供易于解释的症状-结局信息的同时，预测精度相当。
引用
@article{arxiv.1908.00966,
title = {Mixed-Integer Optimization Approach to Learning Association Rules for Unplanned ICU Transfer},
author = {Chun-An Chou and Qingtao Cao and Shao-Jen Weng and Che-Hung Tsai},
journal= {arXiv preprint arXiv:1908.00966},
year = {2021}
}