基于卷积神经网络与电子健康记录数据精确预测急性肾损伤
机器学习
2020-05-28 v1 机器学习
摘要
急性肾损伤（AKI）的发病率常见于重症监护病房（ICU）患者，尤其是成人中，这是影响短期和长期死亡率的独立危险因素。尽管近年来研究人员强调对AKI的早期预测，现有模型的性能仍不够精确。本研究的目标是通过在电子健康记录（EHR）数据上采用卷积神经网络来精确预测AKI。本研究使用的数据集是两个公开电子健康记录（EHR）数据库：MIMIC-III和eICU数据库。在本研究中，我们采用若干卷积神经网络模型来训练和测试我们的AKI预测器，该预测器可根据16项血气与人口统计学特征的最近一次测量值，精确预测某患者在入住ICU后是否会罹患AKI。本研究基于肾脏病改善全球预后（KDIGO）标准定义AKI。我们的工作大幅提升了AKI预测精度，最佳AUROC在MIMIC-III数据集上达0.988，在eICU数据集上达0.936，均优于现有最先进预测器。且本预测器所用输入向量的维度远少于其他现有研究。与现有AKI预测器相比，本工作的预测器通过采用卷积神经网络架构和更简洁的输入向量，大幅提高了AKI早期预测的精度。AKI的早期精确预测将为治疗决策带来诸多益处，因此相信我们的工作是一项非常有帮助的临床应用。
引用
@article{arxiv.2005.13171,
title = {Precisely Predicting Acute Kidney Injury with Convolutional Neural Network Based on Electronic Health Record Data},
author = {Yu Wang and JunPeng Bao and JianQiang Du and YongFeng Li},
journal= {arXiv preprint arXiv:2005.13171},
year = {2020}
}
备注
14 pages