利用高维电子健康记录数据预测再入院时的急性肾损伤
机器学习
2019-03-06 v2 机器学习
摘要
急性肾损伤（AKI）是一种突然发生的肾功能下降，与死亡率、发病率、住院时长及住院费用的增加相关。由于 AKI 有时可预防，对其预测备受关注。多数现有研究考虑所有患者，因而仅限于住院最初几小时内可用的特征。本文转而关注再住院患者这一队列，其中可分析来自既往住院的丰富纵向特征。我们的目标是在再入院时直接提供风险评分。我们在两年的成人住院 EHR 数据（34,505 名患者共 3,387 个属性，生成 90,013 个训练样本，含 5,618 个病例与 84,395 个对照）上训练了梯度提升、带与不带稳定性选择的惩罚逻辑回归，以及循环神经网络。预测通过 50 次 5 折分组交叉验证进行内部评估，并特别强调校准，在患者及住院两个层面进行了校准分析。误差依据诊断、种族、年龄、性别、AKI 识别方法与医院利用情况予以评估。在一项附加实验中，正则化惩罚被大幅增强以促成简约性与可解释性。再住院患者中被识别的预测因子亦被报告，并对可能可改变的风险因素药物作了专门分析。本研究的见解或可用于构建再住院患者 AKI 预测工具。入院时准确的 AKI 风险估计可作为接诊医生或另一预测算法的先验。
引用
@article{arxiv.1807.09865,
title = {Predicting Acute Kidney Injury at Hospital Re-entry Using High-dimensional Electronic Health Record Data},
author = {Samuel J. Weisenthal and Caroline Quill and Samir Farooq and Henry Kautz and Martin S. Zand},
journal= {arXiv preprint arXiv:1807.09865},
year = {2019}
}
备注
In revision