使用带迁移学习与输入数据保持的循环神经网络预测 ICU 中高流量鼻导管失败：一项回顾性分析
机器学习
2021-11-24 v1 人工智能
摘要
高流量鼻导管（HFNC）为危重儿童提供无创呼吸支持，其耐受性可能优于其他无创（NIV）技术。及时预测 HFNC 失败可为加强呼吸支持提供指征。本工作开发并比较了用于预测 HFNC 失败的机器学习模型。我们使用 2010 年 1 月至 2020 年 2 月某三级儿科 ICU 入院患者的电子病历（EMR）进行回顾性研究。训练了一个长短期记忆（LSTM）模型以生成 HFNC 失败的连续预测。使用 HFNC 启动后不同时间下的受试者工作特征曲线下面积（AUROC）评估性能。同时评估了 HFNC 启动后两小时预测的敏感性、特异性、阳性与阴性预测值（PPV、NPV）。这些指标亦在计算于以呼吸系统诊断为主的队列中。834 次 HFNC 试验[455 训练、173 验证、206 测试]符合纳入标准，其中 175[103、30、42]（21.0%）升级至 NIV 或插管。采用迁移学习训练的 LSTM 模型总体优于 LR 模型，最佳 LSTM 模型在启动后两小时达到 0.78 的 AUROC，而 LR 为 0.66。使用 EMR 数据训练的机器学习模型能够在启动后 24 小时内识别 HFNC 失败风险儿童。结合迁移学习、输入数据保持与集成的 LSTM 模型表现出优于 LR 与标准 LSTM 模型的性能。
引用
@article{arxiv.2111.11846,
title = {Predicting High-Flow Nasal Cannula Failure in an ICU Using a Recurrent Neural Network with Transfer Learning and Input Data Perseveration: A Retrospective Analysis},
author = {George A. Pappy and Melissa D. Aczon and Randall C. Wetzel and David R. Ledbetter},
journal= {arXiv preprint arXiv:2111.11846},
year = {2021}
}
备注
13 pages, 7 figures, 6 tables