多模式深度学习方法的比较,用于预测病房患者的临床恶化:观察队列研究

科学领域:

• 临床信息学是一种临床信息学.
• 生物医学数据科学是生物医学数据科学.
• 医疗保健 人工智能 人工智能

背景情况:

• 机器学习模型可以通过识别临床恶化来降低患者的发病率和死亡率.
• 当前的模型往往具有高的假阳性率,并且仅依赖于结构化数据.

研究的目的:

• 将仅使用结构化数据的模型的预测性能与包含从临床笔记中的非结构化数据的模型进行比较.
• 评估从临床笔记中参数化概念独特标识符 (CUI) 的不同方法.

主要方法:

• 分析了来自两个队列 (芝加哥大学和威斯康星大学麦迪逊分校) 的成年患者.
• 预测者包括来自临床笔记的结构化变量和非结构化变量,使用各种方法 (ST,ICDR-T,ICDR-BV,SE,CC) 参数化为CUIs.
• 深度循环神经网络被用来比较预测24小时内重症监护室转移或死亡的模型.

主要成果:

• SapBERT嵌入 (SE) 模型显示了精度回忆曲线 (0.208) 下的最高面积.
• 唯一标识符集群 (CC) 和仅结构化模型的概念在接收器操作特征 (0.870) 下实现了最高的面积.
• 模型表现出良好的校准,关键的CUI如"NPO - 没有口服"和"化疗"高度预测恶化.

结论:

• 虽然从临床笔记中纳入CUI并没有显著提高临床恶化的预测性能,但它提供了有价值的临床背景.
• 结合结构化数据与SapBERT嵌入式的多式模式显示出有希望的结果.
• 使用CUI的模型可以通过提供额外的相关信息来增强临床决策.