基于高斯过程专家混合的危重护理患者个性化风险评分
机器学习
2016-05-04 v1 机器学习
摘要
我们开发了一种个性化实时风险评分算法，该算法基于病房患者的（时间性）实验室检查和生命体征，对其临床危重程度提供及时且精细的评估。患者群体的异质性通过层次潜类模型来刻画。所提算法旨在发现患者群体中的潜类数量，并训练高斯过程（GP）专家的混合模型，其中每个专家对与特定类别相关的生理数据流进行建模。自教迁移学习用于将从临床稳定患者领域学到的潜类知识迁移到临床恶化患者领域。对于新患者，计算所有 GP 专家根据其生理数据流给出的关于患者临床状态的后验信念，并将个性化风险评分评估为这些信念的加权平均值，其中权重从患者的入院信息中学习得到。在罗纳德·里根 UCLA 医疗中心收治的 6,313 名异质性患者队列上的实验表明，我们的风险评分优于当前部署的风险评分，如 MEWS 和 Rothman 评分。
引用
@article{arxiv.1605.00959,
title = {Personalized Risk Scoring for Critical Care Patients using Mixtures of Gaussian Process Experts},
author = {Ahmed M. Alaa and Jinsung Yoon and Scott Hu and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1605.00959},
year = {2016}
}