[论文解读] An Extensive Data Processing Pipeline for MIMIC-IV

Mehak Gupta, Brennan Gallamoza+4 more|arXiv (Cornell University)|Apr 29, 2022

Machine Learning in Healthcare被引用 8

一句话总结

本文提出了一种可自定义的开源数据处理流水线，用于 MIMIC-IV，该流水线对电子健康记录（EHR）数据清洗、特征工程和时间序列构建进行标准化，适用于临床预测任务。该流水线支持可复现的、用户自定义的队列构建，并集成端到端的建模与评估，涵盖再入院、住院时长、死亡率和表型预测，其性能在多种深度学习模型（包括 LSTM 和 TCN）中得到验证。

ABSTRACT

An increasing amount of research is being devoted to applying machine learning methods to electronic health record (EHR) data for various clinical purposes. This growing area of research has exposed the challenges of the accessibility of EHRs. MIMIC is a popular, public, and free EHR dataset in a raw format that has been used in numerous studies. The absence of standardized pre-processing steps can be, however, a significant barrier to the wider adoption of this rare resource. Additionally, this absence can reduce the reproducibility of the developed tools and limit the ability to compare the results among similar studies. In this work, we provide a greatly customizable pipeline to extract, clean, and pre-process the data available in the fourth version of the MIMIC dataset (MIMIC-IV). The pipeline also presents an end-to-end wizard-like package supporting predictive model creations and evaluations. The pipeline covers a range of clinical prediction tasks which can be broadly classified into four categories - readmission, length of stay, mortality, and phenotype prediction. The tool is publicly available at https://github.com/healthylaife/MIMIC-IV-Data-Pipeline.

研究动机与目标

• 为解决 MIMIC-IV 缺乏标准化、可复现的预处理流程的问题，该问题阻碍了基于 EHR 的机器学习研究中的可比性与可靠性。
• 通过提供一种用户友好的向导式流水线，降低研究门槛，支持可自定义的队列定义与数据预处理。
• 通过记录并共享所有预处理与建模选择（包括特征选择、缺失值填补与模型超参数），提升可复现性。
• 通过统一且可扩展的框架，支持广泛的临床预测任务，包括再入院、住院时长、死亡率和表型预测。
• 集成端到端的建模与评估，包括公平性评估与模型可解释性，以支持稳健的临床机器学习开发。

提出的方法

• 该流水线以 Jupyter Notebook 形式实现，通过一系列顺序的、向导式代码块，引导用户完成数据提取、清洗与预处理步骤。
• 支持异常值剔除、缺失值填补，并利用标准化编码系统（如 ICD-10、LOINC）对临床特征进行分组，以实现降维。
• 通过将临床观察结果按用户定义的时间间隔（如 2 小时窗口）进行分箱，构建时间序列数据，支持对序列长度进行过滤。
• 流水线支持基于用户自定义标准的可配置队列选择，例如特定诊断或时间窗口（如入院后前 24 或 48 小时）。
• 内置支持在四个临床预测任务中训练和评估多种机器学习与深度学习模型（如 LSTM、TCN、GRU）。
• 评估包括标准指标（AUROC、AUPRC）、公平性评估（如人口均等性）以及模型可解释性技术，所有配置均可通过参数文件进行调整。

实验结果

研究问题

• RQ1 标准化且可自定义的流水线在多大程度上能提升 MIMIC-IV 在临床预测研究中的可复现性与可用性？
• RQ2 统一的流水线在多大程度上能支持多样化的临床预测任务，包括再入院、死亡率、住院时长和表型预测？
• RQ3 将建模与评估组件整合到流水线中，能否降低非专家用户在基于 EHR 的机器学习研究中的技术负担？
• RQ4 流水线的可配置性在多大程度上影响下游预测任务的队列定义与特征选择？
• RQ5 当使用流水线的标准化预处理与时间序列构建方法时，最先进模型（如 LSTM、TCN）的性能表现如何？

主要发现

• 在慢性肾病队列中，使用 LSTM 模型进行 30 天再入院预测，AUROC 达到 0.86，AUPRC 达到 0.49。
• 在死亡率预测任务中，LSTM 模型的 AUROC 为 0.87，AUPRC 为 0.49，表现出在临床相关任务中的强劲性能。
• TCN 模型在 30 天再入院预测中达到 AUROC 0.85 和 AUPRC 0.47，展现出与其他架构相当的竞争力。
• 流水线成功支持公平性评估，其中一种模型（死亡率预测的 LSTM）的群体均等性差异为 0.041，表明其具备中等公平性表现。
• LSTM 模型在预测住院时长超过 3 天的任务中，AUROC 达到 0.85，AUPRC 达到 0.46，表明其在不同结果类型上的鲁棒性。
• 流水线的模块化设计实现了完全可复现性，所有预处理与建模选择均被记录并可共享，从而增强了透明度与可比性。