使用可变长度时间序列数据的深度学习临床预测模型的开发和外部验证

科学领域:

• 临床信息学是一种临床信息学.
• 机器学习在医疗保健中的应用
• 时间序列分析时间序列分析.

背景情况:

• 从电子健康记录中准确预测临床结果对于患者护理至关重要.
• 可变长度时间序列数据为预测建模提出了独特的挑战.
• 深度学习架构为分析复杂的临床数据提供了潜力.

研究的目的:

• 为了对变长时间序列数据进行深度学习模型的比较和外部验证.
• 评估与深度学习架构结合的不同数据转换方法.
• 评估模型在三个不同的临床任务中的性能:临床恶化,严重急性损伤 (AKI) 和疑似感染.

主要方法:

• 一个多中心的回顾性研究,使用两个医疗中心的2007-2022年数据.
• 为每项临床任务创建不同的数据集,其中一个站点用于培训,另一个站点用于测试.
• 三种特征工程方法 (规范化,标准化,PLE-DT) 和三种架构 (LSTM/GRU,TCN,TDW-CNN) 的比较.
• 使用精度回忆曲线下的面积 (AUPRC) 和接收器操作特征曲线下的面积 (AUROC) 评估模型歧视.

主要成果:

• 该研究包括超过373,000名培训录取和256,000名测试录取.
• 长期短期记忆/门循环单元 (LSTM/GRU) 和时间分布式包装与卷积神经网络 (TDW-CNN) 模型在两个任务中实现了最高的AUPRC平均值.
• 在所有任务中,LSTM/GRU模型显示了最高的平均AUROC (恶化:0.81,AKI:0.92,感染:0.87).
• 结合PLE-DT与LSTM/GRU,在所有临床任务中产生了最高的AUPRC.

结论:

• 使用PLE-DT数据转换的LSTM/GRU架构显示出优异的外部验证性能,用于预测临床结果.
• 虽然使用AUROC的多个模型具有类似的性能,但LSTM/GRU-PLE-DT方法在AUPRC中表现出色.
• LSTM架构仍然与较新的模型竞争,PLE-DT可以增强AUPRC用于可变长度时间序列的临床预测.