[论文解读] An Improved Multi-Output Gaussian Process RNN with Real-Time Validation for Early Sepsis Detection

Joseph Futoma, Sanjay Hariharan+6 more|arXiv (Cornell University)|Aug 19, 2017

Sepsis Diagnosis and Treatment参考文献 25被引用 75

一句话总结

本工作开发了一个改进的 MGP-RNN 模型，使用流式实验室结果、生命体征和药物来在发病前预测败血症，并引入一种新的实时验证方案。该方法优于临床基线和早期模型，设计用于在实时仪表板中部署。

ABSTRACT

Sepsis is a poorly understood and potentially life-threatening complication that can occur as a result of infection. Early detection and treatment improves patient outcomes, and as such it poses an important challenge in medicine. In this work, we develop a flexible classifier that leverages streaming lab results, vitals, and medications to predict sepsis before it occurs. We model patient clinical time series with multi-output Gaussian processes, maintaining uncertainty about the physiological state of a patient while also imputing missing values. The mean function takes into account the effects of medications administered on the trajectories of the physiological variables. Latent function values from the Gaussian process are then fed into a deep recurrent neural network to classify patient encounters as septic or not, and the overall model is trained end-to-end using back-propagation. We train and validate our model on a large dataset of 18 months of heterogeneous inpatient stays from the Duke University Health System, and develop a new "real-time" validation scheme for simulating the performance of our model as it will actually be used. Our proposed method substantially outperforms clinical baselines, and improves on a previous related model for detecting sepsis. Our model's predictions will be displayed in a real-time analytics dashboard to be used by a sepsis rapid response team to help detect and improve treatment of sepsis.

研究动机与目标

• 激励并解决利用EHRs中丰富而不规则的临床时间序列进行早期败血症检测的挑战。
• 开发一个灵活的预测模型，能够处理不规则采样和缺失数据，同时纳入药物效应。
• 使用多输出高斯过程对多变量生理时间序列进行插补和去噪，并将潜在状态输入到深度RNN分类器。
• 通过现实的验证方案提升学习效果，包括实时验证和病例-对照匹配，以评估性能。
• 部署一个实时分析仪表板，以可解释的风险评分帮助败血症快速反应小组。

提出的方法

• 使用多输出高斯过程 (MGP) 对患者临床时间序列进行建模，在保持不确定性的同时对观测值进行去噪并插补到共享网格上。
• 允许MGP均值依赖于既往药物给药，以捕捉治疗对生理轨迹的影响。
• 通过使用可分核的和（线性核相关模型）来放宽可分核假设，以建模输出之间变量的时间相关性。
• 将潜在的MGP函数值输入到深度循环神经网络（LSTM）分类器中以预测败血症，使用反向传播进行端到端训练。
• 通过在败血症事件周围的多个时间点对RNN进行目标复制监督，以缓解标签噪声。
• 在RNN输入中附加缺失指示器，以利用检验/生命体征中的信息性缺失模式。

实验结果

研究问题

• RQ1 相较于临床基线和先前模型，灵活的 MGP-RNN 框架是否能提高早期败血症检测？
• RQ2 纳入药物效应和更具表达性的核函数是否能改善败血症预测的多变量时间序列建模？
• RQ3 实时验证与传统的事后验证在评估早期预警性能方面有何区别？
• RQ4 针对复制目标和缺失指示器对预测性能有何影响？

主要发现

• 提出的 MGP-RNN 及其扩展在败血症检测方面明显优于临床基线和先前模型。
• 包括药物效应、非分离核、目标复制和缺失指示器的扩展始终提高了性能。
• 实时验证显示该模型在不同灵敏度下相比 NEWS 能减少误警报。
• 在实际的早期预测时间窗内，该方法相对于基线在精确率—召回曲线和ROC特征方面具有优势。
• 该方法在一个包含大量不规则时间序列和缺失数据的18个月杜克健康系统数据集上得到展示。