模型改善了ICU患者死亡風(fēng)險(xiǎn)的預(yù)測(cè)

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(cè)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(xiǎn)。

輸入：機(jī)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(cè)ICU中患者的死亡率，這取決于他們?cè)谧≡浩陂g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(duì)單個(gè)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(cè)試的有限數(shù)據(jù)。

在最近在知識(shí)發(fā)現(xiàn)和數(shù)據(jù)挖掘會(huì)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(jī)器學(xué)習(xí)模型，該模型在兩個(gè)方面都是最好的：它專門針對(duì)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(cè)。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(cè)患者在ICU前兩天的死亡風(fēng)險(xiǎn)。

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(huì)了很高的死亡率預(yù)測(cè)因素，例如低心率，高血壓和各種實(shí)驗(yàn)室檢測(cè)結(jié)果 - 高血糖水平和白細(xì)胞計(jì)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(shí)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(shí)，更好地估計(jì)新患者在接下來的48小時(shí)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(píng)估(測(cè)試和驗(yàn)證)模型還突出了全球模型在預(yù)測(cè)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(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)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(shí)際上處于危險(xiǎn)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(xiàng)工作的一項(xiàng)重要?jiǎng)?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(xiǎn)的各個(gè)方面。它通過計(jì)算按小時(shí)分解的生理數(shù)據(jù)的組合來實(shí)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(cè)模型。當(dāng)患者被分成亞群時(shí)，為每個(gè)亞群分配不同的調(diào)整模型。然后，每個(gè)變體模型可以更準(zhǔn)確地對(duì)其個(gè)性化患者組進(jìn)行預(yù)測(cè)。這種方法還允許模型在進(jìn)行預(yù)測(cè)時(shí)在所有子群體之間共享數(shù)據(jù)。當(dāng)給予新患者時(shí)，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(jì)死亡風(fēng)險(xiǎn)。

“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(huì)遇到數(shù)據(jù)稀缺問題，同時(shí)考慮到不同患者亞群之間的差異。”

“入住ICU的患者常常因?yàn)樗麄冊(cè)谀抢镆约八麄兊慕】禒顩r而有所不同。因此，他們將受到非常不同的待遇，”Gong補(bǔ)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(cè)。”

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

如果不通過亞人群進(jìn)行評(píng)估，這種表現(xiàn)差異很難衡量，龔說：“我們想要評(píng)估我們模型的效果，不僅僅是對(duì)整個(gè)患者隊(duì)列進(jìn)行評(píng)估，而且還要評(píng)估我們?yōu)槊總€(gè)具有不同醫(yī)學(xué)特征的隊(duì)列進(jìn)行分解時(shí)。這可以幫助研究人員進(jìn)行更好的預(yù)測(cè)模型培訓(xùn)和評(píng)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(kù)的數(shù)據(jù)測(cè)試了他們的模型，該數(shù)據(jù)庫(kù)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(cè)試模型。

在使用前24小時(shí)的數(shù)據(jù)時(shí)，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(gè)亞群包含在最初幾個(gè)小時(shí)內(nèi)血壓升高的患者- 但一個(gè)隨著時(shí)間的推移而降低，而另一個(gè)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(cè)了患者在接下來的48小時(shí)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(gè)百分點(diǎn)。

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。