时序逐点卷积网络用于重症监护病房住院时长预测
机器学习
2021-02-25 v4 人工智能
机器学习
摘要
患者需求不断增长与预算限制带来的压力，使医院床位管理成为临床人员的日常挑战。最为关键的是将资源密集的重症监护病房（ICU）床位高效分配给需要生命支持的患者。解决该问题的核心在于了解当前ICU患者可能住院的时长。本工作中，我们提出一种基于时序卷积与逐点（1x1）卷积相结合的深度学习模型，用于在eICU和MIMIC-IV重症监护数据集上解决住院时长预测任务。该模型——我们称之为时序逐点卷积（TPC）——专门设计用于缓解电子健康记录中的常见挑战，如偏态分布、不规则采样和缺失数据。由此，相较于常用的长短期记忆（LSTM）网络及称为Transformer的多头自注意力网络，我们取得了18–68%（依赖于指标和数据集）的显著性能提升。通过增加死亡率预测作为辅助任务，我们可进一步提升性能，在预测剩余住院时长上取得1.55天（eICU）和2.28天（MIMIC-IV）的平均绝对偏差。
引用
@article{arxiv.2007.09483,
title = {Temporal Pointwise Convolutional Networks for Length of Stay Prediction in the Intensive Care Unit},
author = {Emma Rocheteau and Pietro Liò and Stephanie Hyland},
journal= {arXiv preprint arXiv:2007.09483},
year = {2021}
}
备注
ACM CHIL 2021 Proceedings. arXiv admin note: substantial text overlap with arXiv:2006.16109