利用患者生命体征预测重症监护病房住院时长与死亡率：机器学习模型开发与验证
机器学习
2021-05-11 v1 人工智能
摘要
患者监测在护理各阶段均至关重要。本文报道重症监护病房 (ICU) 住院时长与死亡率预测模型的开发与验证。这些模型将用于智能远程患者监测 (IRPM) 框架中的智能 ICU 患者监测模块，该模块监测患者健康状况，并在预测到不良医疗状况时生成及时警报、操作指导或报告。我们利用公开可用的重症监护医学信息集市 (MIMIC) 数据库提取成人患者 ICU 住院数据，构建两个预测模型：一个用于死亡率预测，另一个用于 ICU 住院时长预测。对于死亡率模型，我们应用六种常用机器学习 (ML) 二分类算法预测出院状态（存活与否）。对于住院时长模型，我们使用相同的六种 ML 算法，以患者人群 ICU 住院中位数 2.64 天进行二分类。对于基于回归的分类，我们使用两种 ML 算法预测天数。我们构建了每个预测模型的两种变体：一种使用 12 个基线人口统计与生命体征特征，另一种基于我们提出的分位数方法，该方法使用从基线生命体征特征工程化的 21 个额外特征，包括其修正均值、标准差和分位数百分比。使用分位数方法，我们能用最少特征进行预测建模并保持合理性能。死亡率模型最佳准确率约为 89%（使用随机森林算法）。基于人群中位数 ICU 住院时长（2.64 天）的住院时长模型最高准确率约为 65%（使用随机森林算法）。
引用
@article{arxiv.2105.04414,
title = {Predicting Intensive Care Unit Length of Stay and Mortality Using Patient Vital Signs: Machine Learning Model Development and Validation},
author = {Khalid Alghatani and Nariman Ammar and Abdelmounaam Rezgui and Arash Shaban-Nejad},
journal= {arXiv preprint arXiv:2105.04414},
year = {2021}
}
备注
23 Pages, 11 Figures, 13 Tables