基于EEG数据的心脏骤停后昏迷患者神经预后预测：一种含竞争风险的动态生存分析框架
信号处理
2023-12-04 v2 机器学习
摘要
心脏骤停复苏后陷入昏迷的患者死亡风险极高。预测这些患者的神经学结局（即神经预后预测任务）有助于治疗决策。在本文中，我们提出了——据我们所知——首个利用EEG数据对心脏骤停后昏迷患者进行神经预后预测的动力学框架：随着更多EEG数据的获取，我们的框架随时间推移对患者做出预测，且不同训练患者的可用EEG时间序列长度可能各异。预测以事件时间结局（觉醒时间或死亡时间）或患者在多个时间范围内的觉醒概率与死亡概率的形式给出。我们的框架采用任何支持竞争风险的动态生存分析模型，其形式为估计患者层面的累积发生率函数。我们考虑三种竞争风险，即患者首先发生以下何种事件：觉醒、撤除生命维持治疗（从而确定性死亡），或其他原因导致的死亡。我们在一个包含922名患者的真实数据集上，对三种现有支持竞争风险的动态生存分析模型进行基准测试，从而展示了我们的框架。主要实验发现为：（1）仅使用患者静态特征及最新一小时EEG数据摘要统计量的经典Fine and Gray模型极具竞争力，其准确率得分与近期开发的、使用了远多EEG数据的Dynamic-DeepHit模型相当；（2）在消融研究中，我们表明，相较于更简单的模型（使用两种竞争风险或无竞争风险的标准生存分析设定），我们所采用的三种竞争风险建模方案至少同样准确，同时学习了更多信息。
引用
@article{arxiv.2308.11645,
title = {Neurological Prognostication of Post-Cardiac-Arrest Coma Patients Using EEG Data: A Dynamic Survival Analysis Framework with Competing Risks},
author = {Xiaobin Shen and Jonathan Elmer and George H. Chen},
journal= {arXiv preprint arXiv:2308.11645},
year = {2023}
}
备注
Machine Learning for Healthcare conference (MLHC 2023); this draft includes minor corrections (in explaining how Dynamic-DeepHit works)