利用临床药物表示改进死亡率与住院时长预测
机器学习
2021-10-19 v1 定量方法
摘要
药物表示在化学信息学中发挥着重要作用。然而，在医疗健康领域，由于高维药物表示的复杂性以及缺乏能将临床药物转换为其表示的合适流程，药物表示相对于电子健康记录（EHR）其他数据的使用不足。时变生命体征、实验室检测及相关时间序列信号常用于预测临床结局。本工作中，我们证明在其他临床特征之外使用临床药物表示，具有显著提升死亡率与住院时长（LOS）模型性能的潜力。我们在临床结局预测上评估了两种不同药物表示方法（扩展连通性指纹 ECFP 与 SMILES-Transformer 嵌入）。结果表明，所提多模态方法相较基线模型在临床任务上取得实质提升。使用临床药物表示作为附加特征，使 LOS 预测的受试者工作特征曲线下面积（AUROC）提升约 6%，精确率-召回率曲线下面积（AUPRC）提升约 5%。此外，对于死亡率预测任务，相较时间序列基线，AUROC 提升约 2%，AUPRC 提升约 3.5%。所提方法的代码见 https://github.com/tanlab/MIMIC-III-Clinical-Drug-Representations。
引用
@article{arxiv.2110.08918,
title = {Using Clinical Drug Representations for Improving Mortality and Length of Stay Predictions},
author = {Batuhan Bardak and Mehmet Tan},
journal= {arXiv preprint arXiv:2110.08918},
year = {2021}
}
备注
Published in IEEE CIBCB 2021