重症监护中拔管失败的预测：一种新型端到端可操作且可解释预测系统的开发

Akram Yoosoofsah

重症监护中拔管失败的预测：一种新型端到端可操作且可解释预测系统的开发

机器学习 2024-12-03 v1 计算工程、金融与科学

作者: Akram Yoosoofsah

摘要

由于数据复杂且预测不准确后果严重，重症监护中的拔管失败预测颇具挑战性。机器学习在改善临床决策方面显示出潜力，但往往未能考虑患者的时间轨迹和模型的可解释性，凸显了对创新解决方案的需求。本研究旨在利用长短期记忆网络（LSTM）和时间卷积网络（TCN）等时间建模方法，开发一种可操作、可解释的拔管失败预测系统。研究对来自MIMIC-IV数据库的4,701名机械通气患者进行了回顾性队列研究。拔管前6小时的数据（包括静态和动态特征）通过新技术进行处理，以解决数据不一致和合成数据问题。特征选择以临床相关性和文献基准为指导。实验迭代涉及训练LSTM、TCN和LightGBM模型。初步结果显示，尽管采用了先进的超参数调整和静态数据纳入，模型仍强烈偏向于预测拔管成功。通过按采样频率对数据进行分层以减少合成数据的影响，构建了一个融合决策系统，性能有所提升。然而，所有架构的预测能力均有限（AUC-ROC约0.6；F1<0.5），且纳入静态数据或附加特征并无明显优势。消融分析表明，单个特征对模型性能的影响极小。本研究揭示了合成数据在拔管失败预测中的挑战，并提出了减轻偏差的策略，包括临床知情预处理和新型特征子集划分。尽管性能有限，该研究为未来工作奠定了基础，强调了开发可靠、可解释模型以优化ICU结局的必要性。

关键词

extubation failure prediction intensive care temporal modeling LSTM TCN interpretability MIMIC-IV

引用

@article{arxiv.2412.00105,
  title  = {Predicting Extubation Failure in Intensive Care: The Development of a Novel, End-to-End Actionable and Interpretable Prediction System},
  author = {Akram Yoosoofsah},
  journal= {arXiv preprint arXiv:2412.00105},
  year   = {2024}
}

备注

Thesis submitted in fulfilment of requirements for the degree of Master of Science in Computing - Department of Computing, Imperial College London

重症监护中拔管失败的预测：一种新型端到端可操作且可解释预测系统的开发

摘要

关键词

引用

备注

相关论文