[论文解读] Building Computational Models to Predict One-Year Mortality in ICU Patients with Acute Myocardial Infarction and Post Myocardial Infarction Syndrome

Laura A. Barrett, Seyedeh Neelufar Payrovnaziri+2 more|arXiv (Cornell University)|Dec 12, 2018

Machine Learning in Healthcare参考文献 36被引用 26

一句话总结

本研究基于MIMIC-III数据库，开发并评估了多种机器学习模型，用于预测急性心肌梗死（AMI）或心肌梗死后综合征患者在ICU中的1年死亡率。在合并数据集上，逻辑模型树（LMT）和简单逻辑回归算法取得了最高的准确率（85.12%）和AUC（0.901），优于深度前馈网络和传统风险评分。

ABSTRACT

Heart disease remains the leading cause of death in the United States. Compared with risk assessment guidelines that require manual calculation of scores, machine learning-based prediction for disease outcomes such as mortality can be utilized to save time and improve prediction accuracy. This study built and evaluated various machine learning models to predict one-year mortality in patients diagnosed with acute myocardial infarction or post myocardial infarction syndrome in the MIMIC-III database. The results of the best performing shallow prediction models were compared to a deep feedforward neural network (Deep FNN) with back propagation. We included a cohort of 5436 admissions. Six datasets were developed and compared. The models applying Logistic Model Trees (LMT) and Simple Logistic algorithms to the combined dataset resulted in the highest prediction accuracy at 85.12% and the highest AUC at .901. In addition, other factors were observed to have an impact on outcomes as well.

研究动机与目标

• 改进针对急性心肌梗死（AMI）或心肌梗死后综合征ICU患者1年死亡率预测的手动风险评分计算方法。
• 评估多种机器学习模型在该高风险患者队列中预测死亡率结果的性能。
• 比较浅层模型（如LMT、逻辑回归）与深度学习模型（如深度前馈神经网络，Deep FNN）在准确率和AUC方面的表现。
• 识别影响该人群1年死亡率的关键临床和人口学预测因子。

提出的方法

• 本研究使用MIMIC-III数据库，提取了5,436例AMI或心肌梗死后综合征患者的ICU住院记录。
• 通过组合不同的特征子集（包括生命体征、实验室检查值、共病情况和人口学变量），构建了六个独立的数据集。
• 训练并评估了多种机器学习模型，包括逻辑模型树（LMT）、简单逻辑回归、随机森林、支持向量机以及深度前馈神经网络（Deep FNN）。
• 通过准确率、受试者工作特征曲线下面积（AUC）以及10折交叉验证来评估模型性能，以确保结果的稳健性。
• 基于AUC和准确率选择表现最佳的模型，并对超参数进行调优以优化结果。
• 深度前馈神经网络（Deep FNN）采用反向传播算法进行训练，并与表现最佳的浅层模型进行直接比较。

实验结果

研究问题

• RQ1 机器学习模型能否在预测ICU心肌梗死或心肌梗死后综合征患者1年死亡率方面超越传统风险评估工具？
• RQ2 在该特定患者人群中，哪种机器学习算法能实现最高的预测准确率和AUC？
• RQ3 在该临床预测任务中，LMT等浅层模型与深度前馈神经网络（Deep FNN）的性能相比如何？
• RQ4 哪些临床和人口学特征对本队列中死亡率预测的贡献最为显著？
• RQ5 与单一特征集相比，整合多种数据源（如实验室检查、生命体征、共病情况）是否能提升模型性能？

主要发现

• 逻辑模型树（LMT）模型在合并数据集上实现了最高的预测准确率85.12%。
• LMT模型还取得了最高的受试者工作特征曲线下面积（AUC）0.901，表明其具有出色的判别能力。
• 在合并数据集上，简单逻辑回归算法的AUC达到第二高的0.901，与LMT模型表现一致。
• LMT和简单逻辑回归模型在准确率和AUC方面均优于深度前馈神经网络（Deep FNN）。
• 整合多种临床和人口学特征的合并数据集，在所有评估的算法中均取得了最佳模型性能。
• 本研究证实，特征选择与数据整合显著影响重症监护中死亡率预测模型的有效性。