又一个 ICU 基准：面向临床机器学习的灵活多中心框架
摘要
近年来，机器学习（ML）在医学中的应用迅速增多。鉴于电子健康记录中可用数据的丰富性，重症监护病房（ICU）是机器学习天然的应用场景。已有许多模型被提出以应对大量 ICU 预测任务，例如并发症的早期检测。尽管作者经常报告最先进的性能，但验证其优越性声明颇具挑战。数据集与代码并非总是公开，且队列定义、预处理流水线和训练设置难以复现。本文介绍 Yet Another ICU Benchmark（YAIB），一个允许研究者定义可复现且可比较的临床 ML 实验的模块化框架；我们提供从队列定义到模型评估的端到端解决方案。该框架原生支持大多数开放获取 ICU 数据集（MIMIC III/IV、eICU、HiRID、AUMCdb），并可轻松适配未来 ICU 数据集。结合透明的预处理流水线和用于多种 ML 与深度学习模型的可扩展训练代码，YAIB 实现了统一的模型开发。我们的基准附带与临床医生合作开发的五个预定义成熟预测任务（死亡率、急性肾损伤、败血症、肾功能和住院时长）。按设计，添加更多任务十分简便。使用 YAIB，我们证明数据集、队列定义和预处理的选择对预测性能有重大影响——往往甚于模型类别——表明迫切需要将 YAIB 作为整体基准工具。我们将本工作提供给临床 ML 社区，以加速方法开发并实现真实世界临床部署。软件仓库：https://github.com/rvandewater/YAIB。
引用
@article{arxiv.2306.05109,
title = {Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML},
author = {Robin van de Water and Hendrik Schmidt and Paul Elbers and Patrick Thoral and Bert Arnrich and Patrick Rockenschaub},
journal= {arXiv preprint arXiv:2306.05109},
year = {2024}
}
备注
Main benchmark: https://github.com/rvandewater/YAIB, Cohort generation: https://github.com/rvandewater/YAIB-cohorts, Models: https://github.com/rvandewater/YAIB-models. To be published in ICLR 2024 proceedings