基于自适应特征重要性重标定的腹膜透析患者死亡预测：一项基于真实世界纵向随访数据集的深度学习研究
机器学习
2023-02-09 v2 人工智能
摘要
目的：腹膜透析（PD）是终末期肾病（ESRD）患者最广泛使用的生命支持疗法之一。基于随访就诊收集的 electronic medical records (EMR) 预测死亡风险并识别可改变的危险因素，对个性化医疗和早期干预具有重要意义。在此，我们的目标是开发一个用于实时、个体化且可解释的死亡预测模型——AICare 的深度学习模型。方法与材料：我们提出的模型由多通道特征提取模块和自适应特征重要性重标定模块组成。AICare 显式识别对每个患者结局预测有强烈指示作用的关键特征，以个体化地构建健康状态嵌入。本研究收集了 656 名 PD 患者的 13,091 次临床随访就诊和人口统计学数据。为验证应用的普适性，本研究还收集了 1,363 名血液透析（HD）患者的 4,789 次就诊作为附加实验数据集以测试预测性能，相关内容将在附录中讨论。结果：1）实验结果表明，AICare 在 PD/HD 数据集的 1 年死亡预测任务上分别取得了 81.6%/74.3% 的 AUROC 和 47.2%/32.5% 的 AUPRC，优于最先进的对比深度学习模型。2）本研究首次基于端到端深度学习模型全面阐明了 PD 患者死亡原因与临床特征之间的关系。3）本研究首次基于内置可解释性揭示了死亡预测中各特征重要性变化的模式。4）我们开发了一个实用的 AI-医生交互系统，以可视化患者健康状态和风险指标的变化轨迹。
引用
@article{arxiv.2301.07107,
title = {Mortality Prediction with Adaptive Feature Importance Recalibration for Peritoneal Dialysis Patients: a deep-learning-based study on a real-world longitudinal follow-up dataset},
author = {Liantao Ma and Chaohe Zhang and Junyi Gao and Xianfeng Jiao and Zhihao Yu and Xinyu Ma and Yasha Wang and Wen Tang and Xinju Zhao and Wenjie Ruan and Tao Wang},
journal= {arXiv preprint arXiv:2301.07107},
year = {2023}
}