用于检测 ICU 感染患者脓毒症死亡风险的语义增强动态贝叶斯网络
机器学习
2018-06-28 v1 机器学习
摘要
尽管重症监护病房(ICU)患者的及时脓毒症诊断和迅速干预与降低死亡率相关，但早期临床识别常受限于非特异性的感染征象，以及未能在动态变化的生理数据群中检测到脓毒症诱导的器官功能障碍征象。本工作的目标是利用以数据为中心和机器学习驱动的方法识别有致命脓毒症风险的患者。我们推导了一个由定制脓毒症知识库引导的死亡风险预测动态贝叶斯网络(DBN)，并将推导的 DBN 预测准确度与脓毒症相关器官衰竭评估(SOFA)评分、快速 SOFA(qSOFA)评分、简化急性生理评分(SAPS-II)和改良早期预警评分(MEWS)工具进行比较。使用定制的脓毒症本体推导 DBN 节点结构，并从结构化生理数据和非结构化临床笔记中语义表征时间特征。我们评估了 DBN 预测模型预测死亡风险的表现，并使用受试者工作特征(ROC)曲线、曲线下面积(AUROC)、校准曲线和风险分布与其他模型比较表现。推导的数据集包含 19,623 名疑似感染患者的 24,506 次 ICU 住院，其中 2,829 名患者出院时死亡。DBN 的 AUROC 为 0.91，优于 SOFA(0.843)、qSOFA(0.66)、MEWS(0.73)和 SAPS-II(0.77)评分工具。连续净重分类指数和综合判别改善分析支持了 DBN 的优越性。与传统的基于规则的风险评分工具相比，脓毒症知识库驱动的 DBN 算法为预测 ICU 感染患者死亡提供了改进的性能。
引用
@article{arxiv.1806.10174,
title = {Semantically Enhanced Dynamic Bayesian Network for Detecting Sepsis Mortality Risk in ICU Patients with Infection},
author = {Tony Wang and Tom Velez and Emilia Apostolova and Tim Tschampel and Thuy L. Ngo and Joy Hardison},
journal= {arXiv preprint arXiv:1806.10174},
year = {2018}
}