基于多任务高斯过程多目标自注意力网络的COVID-19患者机械通气实时预测
机器学习
2021-02-03 v1 应用统计
摘要
我们提出一种稳健的实时预测器，用于预测住院COVID-19患者需机械通气的概率。COVID-19患者风险预测的一个挑战在于临床环境中观测到的患者生命体征与化验指标具有高度变异性及不规则采样。现有方法在处理时间相关特征的复杂动态时存在严重局限，要么用汇总统计量过度简化时序数据导致信息丢失，要么过度设计特征导致结果稳健性下降。我们提出一种新颖的实时风险轨迹预测模型来处理数据中的不规则采样率，该模型遵循个体患者执行机械通气风险的动态变化。模型结合多任务高斯过程，利用观测值学习后验联合多变量条件概率，并在统一时间网格上推断缺失值。时序插补数据被输入多目标自注意力网络以完成预测任务。我们提出一种新颖的位置编码层并加入网络以产生实时预测。该位置层在住院患者整个住院期间每个用户定义的时间点输出风险评分。我们将预测任务构建为多目标学习框架，所有时间点的风险评分被一并优化，从而为风险评分轨迹预测增添稳健性与一致性。我们在包含全国COVID-19住院患者的大型数据库上的实验评估表明，该方法在AUC（受试者工作特征曲线下面积）与AUPRC（精确率-召回率曲线下面积）性能指标上，尤其在入院后早期，均优于当前最优（SOTA）性能。
引用
@article{arxiv.2102.01147,
title = {Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network},
author = {Kai Zhang and Siddharth Karanth and Bela Patel and Robert Murphy and Xiaoqian Jiang},
journal= {arXiv preprint arXiv:2102.01147},
year = {2021}
}
备注
In review