模型改善了ICU患者死亡風(fēng)險的預(yù)測

在重癥監(jiān)護(hù)室，患者進(jìn)入各種健康狀況，分類在很大程度上依賴于臨床判斷。ICU工作人員進(jìn)行了許多生理測試，例如血液檢查和檢查生命體征，以確定如果不進(jìn)行積極治療，患者是否立即面臨死亡風(fēng)險。

輸入：機器學(xué)習(xí)。近年來已經(jīng)開發(fā)了許多模型來幫助預(yù)測ICU中患者的死亡率，這取決于他們在住院期間的各種健康因素。然而，這些模型具有性能缺陷。一種常見類型的“全球”模型是針對單個大型患者群體進(jìn)行訓(xùn)練的。這些可能在平均水平上有效，但在一些患者亞群中效果不佳。另一方面，另一種類型的模型分析不同的子群體 - 例如，按類似條件，患者年齡或醫(yī)院部門分組的那些 - 但通常具有用于訓(xùn)練和測試的有限數(shù)據(jù)。

在最近在知識發(fā)現(xiàn)和數(shù)據(jù)挖掘會議上發(fā)表的一篇論文中，麻省理工學(xué)院的研究人員描述了一種機器學(xué)習(xí)模型，該模型在兩個方面都是最好的：它專門針對患者亞群進(jìn)行訓(xùn)練，但也在所有亞群中共享數(shù)據(jù)以獲得更好的效果預(yù)測。通過這樣做，與嚴(yán)格的全球模型和其他模型相比，該模型可以更好地預(yù)測患者在ICU前兩天的死亡風(fēng)險。

該模型首先處理了先前入院的ICU患者的電子健康記錄中的生理數(shù)據(jù)，其中一些患者在住院期間死亡。在這樣做的過程中，它學(xué)會了很高的死亡率預(yù)測因素，例如低心率，高血壓和各種實驗室檢測結(jié)果 - 高血糖水平和白細(xì)胞計數(shù)等 - 在最初幾天內(nèi)將患者分成亞群根據(jù)他們的健康狀況。給定一名新患者，該模型可以從頭24小時查看該患者的生理數(shù)據(jù)，并使用通過分析這些患者亞群獲得的知識，更好地估計新患者在接下來的48小時內(nèi)死亡的可能性。

此外，研究人員發(fā)現(xiàn)，通過特定亞群評估(測試和驗證)模型還突出了全球模型在預(yù)測患者亞群死亡率方面的性能差異。這是開發(fā)可以更準(zhǔn)確地與特定患者一起工作的模型的重要信息。

第一作者，計算機科學(xué)與人工智能實驗室(CSAIL)的研究生Harini Suresh說：“ICU的帶寬非常高，患者很多。” “重要的是要提前弄清楚患者實際上處于危險之中并且更需要立即引起注意。”

該論文的共同作者是CSAIL研究生Jen Gong和John Guttag，Dugald C. Jackson電氣工程教授。

多任務(wù)處理和患者亞群

該項工作的一項重要創(chuàng)新是，在培訓(xùn)期間，該模型將患者分為不同的亞群，這些亞群捕獲患者整體健康狀況和死亡風(fēng)險的各個方面。它通過計算按小時分解的生理數(shù)據(jù)的組合來實現(xiàn)。生理數(shù)據(jù)包括例如葡萄糖，鉀和氮的水平，以及心率，血液pH，氧飽和度和呼吸速率。血壓和鉀水平升高 - 心力衰竭的跡象 - 可能表明健康問題超過其他亞人群。

接下來，該模型采用多任務(wù)學(xué)習(xí)方法來構(gòu)建預(yù)測模型。當(dāng)患者被分成亞群時，為每個亞群分配不同的調(diào)整模型。然后，每個變體模型可以更準(zhǔn)確地對其個性化患者組進(jìn)行預(yù)測。這種方法還允許模型在進(jìn)行預(yù)測時在所有子群體之間共享數(shù)據(jù)。當(dāng)給予新患者時，它將患者的生理數(shù)據(jù)與所有亞群匹配，找到最佳擬合，然后從那里更好地估計死亡風(fēng)險。

“我們正在使用所有患者數(shù)據(jù)并在相關(guān)的人群中共享信息，”Suresh說。“通過這種方式，我們能夠......不會遇到數(shù)據(jù)稀缺問題，同時考慮到不同患者亞群之間的差異。”

“入住ICU的患者常常因為他們在那里以及他們的健康狀況而有所不同。因此，他們將受到非常不同的待遇，”Gong補充道。臨床決策輔助“應(yīng)該考慮到這些患者群體的異質(zhì)性......并確保有足夠的數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測。”

Gong說，這種方法的一個關(guān)鍵見解來自于使用多任務(wù)處理方法來評估模型在特定子群體上的表現(xiàn)。通常在整個患者群體中評估全局模型的整體表現(xiàn)。但研究人員的實驗表明，這些模型實際上在亞人群中表現(xiàn)不佳。本文測試的全球模型總體上相當(dāng)準(zhǔn)確地預(yù)測了死亡率，但在對個體亞群進(jìn)行測試時，準(zhǔn)確度下降了幾個百分點。

如果不通過亞人群進(jìn)行評估，這種表現(xiàn)差異很難衡量，龔說：“我們想要評估我們模型的效果，不僅僅是對整個患者隊列進(jìn)行評估，而且還要評估我們?yōu)槊總€具有不同醫(yī)學(xué)特征的隊列進(jìn)行分解時。這可以幫助研究人員進(jìn)行更好的預(yù)測模型培訓(xùn)和評估。“

獲得結(jié)果

研究人員使用來自MIMIC重癥監(jiān)護(hù)數(shù)據(jù)庫的數(shù)據(jù)測試了他們的模型，該數(shù)據(jù)庫包含有關(guān)異質(zhì)患者群體的大量數(shù)據(jù)。在該數(shù)據(jù)集中約32,000名患者中，超過2,200名患者死于該醫(yī)院。他們使用80%的數(shù)據(jù)集進(jìn)行訓(xùn)練，20%用于測試模型。

在使用前24小時的數(shù)據(jù)時，該模型將患者聚集到具有重要臨床差異的亞群中。例如，兩個亞群包含在最初幾個小時內(nèi)血壓升高的患者- 但一個隨著時間的推移而降低，而另一個則在一整天內(nèi)保持升高。該亞群的死亡率最高。

使用這些亞群，該模型預(yù)測了患者在接下來的48小時內(nèi)的死亡率，具有高度特異性和敏感性以及各種其他指標(biāo)。多任務(wù)處理模型的表現(xiàn)明顯優(yōu)于全球模型幾個百分點。

接下來，研究人員的目標(biāo)是使用來自電子健康記錄的更多數(shù)據(jù)，例如患者接受的治療。他們還希望將來培訓(xùn)模型，從數(shù)字化臨床筆記和其他信息中提取關(guān)鍵詞。