使用基于注意力的神经网络预测液体冲击治疗下的血压反应以实现临床可解释性
机器学习
2018-12-04 v1 医学物理
定量方法
机器学习
摘要
确定重症监护病房（ICU）中的低血压患者是否应接受液体冲击治疗（FBT）一直是重症医师极具挑战性的任务，因为相应的血压升高难以预测。我们的研究利用回归模型和基于注意力的循环神经网络（RNN）算法以及一个多临床信息系统大规模数据库，构建可预测 ICU 低血压患者对 FBT 成功反应的模型。我们研究了使用带正则化的逻辑回归算法的时间聚合建模，以及使用长短期记忆网络（LSTM）和带注意力机制的门控循环单元网络（GRU）的时间序列建模以实现临床可解释性。在所有建模策略中，带注意力机制的堆叠 LSTM 产生了最具预测性的模型，准确率达 0.852，曲线下面积（AUC）值为 0.925。研究结果可能有助于识别 ICU 中在 FBT 后将有充分血压恢复的低血压患者。
引用
@article{arxiv.1812.00699,
title = {Predicting Blood Pressure Response to Fluid Bolus Therapy Using Attention-Based Neural Networks for Clinical Interpretability},
author = {Uma M. Girkar and Ryo Uchimido and Li-wei H. Lehman and Peter Szolovits and Leo Celi and Wei-Hung Weng},
journal= {arXiv preprint arXiv:1812.00699},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216