用于急性脑功能障碍预测的Transformer模型
机器学习
2023-03-14 v1 人工智能
摘要
急性脑功能障碍（ABD）包括昏迷和谵妄，在ICU中尤为普遍，尤其在老年患者中。护理提供者目前对ABD的手动评估可能是零星且主观的。因此，亟需一种数据驱动的鲁棒系统来实现ABD的自动化评估与预测。本工作中，我们开发了一个利用电子健康记录（EHR）数据进行ADB实时预测的机器学习系统。我们的数据处理流水线能够整合静态与时序数据，并提取与ABD相关的特征。我们在来自UF Shands Hospital ICU入院患者的数据上训练了多个最先进的transformer模型和基线机器学习模型，包括CatBoost和XGB。我们展示了我们的系统在急性脑功能障碍相关任务上的有效性，包括脑敏锐度的二分类以及多分类（即昏迷、谵妄、死亡或正常），在我们的Longformer实现上取得了0.953的平均AUROC。我们的系统可部署于ICU中用于ADB的实时预测，以减少由ABD引起的事件数量。此外，该实时系统有潜力降低费用、缩短患者在ICU的停留时间，并降低患病者的死亡率。
引用
@article{arxiv.2303.07305,
title = {Transformer Models for Acute Brain Dysfunction Prediction},
author = {Brandon Silva and Miguel Contreras and Tezcan Ozrazgat Baslanti and Yuanfang Ren and Guan Ziyuan and Kia Khezeli and Azra Bihorac and Parisa Rashidi},
journal= {arXiv preprint arXiv:2303.07305},
year = {2023}
}
备注
15 pages, 6 figures, 6 tables