用于可解释患者表型的急诊科临床数据可视化
人机交互
2019-07-26 v1 机器学习
机器学习
摘要
对电子健康记录(EHR)中所含患者临床数据进行可视化汇总,可在患者就诊急诊科(ED)时实现精确快速的分诊。分诊过程对于资源的适当分配以及预判患者最终去向(通常为入院或回家)至关重要。EHR数据高维且复杂,但提供了发现和刻画底层数据驱动患者表型的机会。这些表型将改善个性化治疗决策与预后判断。本工作中,我们聚焦于二维患者投影的挑战。低维嵌入提供了高维中丧失的视觉可解释性。虽然如主成分分析之类的线性降维技术常为此目的使用,但它们不足以描述患者数据的方差。本工作中,我们采用新近描述的非线性嵌入技术——一致流形逼近与投影(UMAP)。UMAP力求捕获高维数据中的局部与全局结构。我们随后使用高斯混合模型识别嵌入数据中的簇,并使用调整兰德指数(ARI)确立这些簇发现的稳定性。该技术应用于来自真实世界ED EHR数据集的五种常见临床主诉,描述了所发现簇的涌现属性。我们观察到临床相关的簇属性,表明使用非线性降维的EHR数据视觉嵌入是揭示数据驱动患者表型的有前景方法。在五种主诉中,我们发现2至6个簇,后续训练迭代间峰值平均成对ARI介于0.35至0.74。
引用
@article{arxiv.1907.11039,
title = {Visualization of Emergency Department Clinical Data for Interpretable Patient Phenotyping},
author = {Nathan C. Hurley and Adrian D. Haimovich and R. Andrew Taylor and Bobak J. Mortazavi},
journal= {arXiv preprint arXiv:1907.11039},
year = {2019}
}