基于高斯过程混合体的重症监护预后个性化风险评分
人工智能
2016-10-28 v1
摘要
目标：在本文中，我们开发了一种个性化的实时风险评分算法，该算法根据病房患者的（时序）实验室检查和生命体征，提供及时且细粒度的临床急症评估；所提出的风险评分系统确保了临床恶化患者能及时转入重症监护室 (ICU)。方法：该风险评分系统从离线电子健康记录数据中学习一组潜在的患者亚型，并训练高斯过程 (GP) 专家混合体，其中每个专家对与特定患者亚型相关的生理数据流进行建模。迁移学习技术用于学习患者潜在亚型与其静态入院信息（例如年龄、性别、转院状态、ICD-9 代码等）之间的关系。结果：在 Ronald Reagan UCLA 医疗中心收治的 6,321 名异质患者队列数据上进行的实验表明，我们的风险评分在及时性、真阳性率 (TPR) 和阳性预测值 (PPV) 方面，显著且一致地优于当前部署的风险评分，如 Rothman 指数、MEWS、APACHE 和 SOFA 评分。结论：我们的结果反映了在重症监护环境中采用个性化医疗概念的重要性；通过考虑患者的异质性，可以实现准确性和及时性的显著提升。意义：所提出的风险评分方法可为美国每年发生心脏骤停的超过 200,000 名危重住院患者带来巨大的临床和社会效益。
引用
@article{arxiv.1610.08853,
title = {Personalized Risk Scoring for Critical Care Prognosis using Mixtures of Gaussian Processes},
author = {Ahmed M. Alaa and Jinsung Yoon and Scott Hu and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:1610.08853},
year = {2016}
}