SepsisLab：具有不确定性量化与主动感知的早期脓毒症预测
机器学习
2024-07-25 v1 人工智能
人机交互
摘要
脓毒症是美国院内死亡的主要原因。早期脓毒症发作预测和诊断可以显著提高脓毒症患者的生存率。现有的预测模型通常在高缺失信息较少的高质量数据上训练，而缺失值在真实临床场景中广泛存在（尤其是在入院后的最初几小时），这导致预测模型的准确性显著下降和不确定性增加。处理缺失值的常用方法是插补，即用观测数据的估计值替换不可用的变量。插补结果的不确定性可以传播到脓毒症预测输出中，这在现有的脓毒症预测或不确定性量化研究中均未被探讨。在本研究中，我们首先将这种传播的不确定性定义为预测输出的方差，然后引入不确定性传播方法来量化传播的不确定性。此外，对于因观测有限而置信度较低的高风险患者，我们提出了一种鲁棒的主动感知算法，通过主动建议临床医生观测最具信息量的变量来提高置信度。我们在公开数据（即MIMIC-III和AmsterdamUMCdb）以及俄亥俄州立大学韦克斯纳医学中心（OSUWMC）的专有数据上验证了所提出的模型。实验结果表明，传播的不确定性在入院初期占主导地位，且所提出的算法优于最先进的主动感知方法。最后，我们基于预训练模型实现了一个SepsisLab系统，用于早期脓毒症预测和主动感知。临床医生和潜在脓毒症患者可以从该系统中受益于脓毒症的早期预测和诊断。
引用
@article{arxiv.2407.16999,
title = {SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing},
author = {Changchang Yin and Pin-Yu Chen and Bingsheng Yao and Dakuo Wang and Jeffrey Caterino and Ping Zhang},
journal= {arXiv preprint arXiv:2407.16999},
year = {2024}
}
备注
To be published in KDD 2024