[论文解读] Continual Prediction from EHR Data for Inpatient Acute Kidney Injury

Rohit J. Kate, Noah Pearce+2 more|arXiv (Cornell University)|Feb 26, 2019

Acute Kidney Injury Research参考文献 26被引用 3

一句话总结

本文提出了一种基于电子健康记录（EHR）数据的住院患者急性肾损伤（AKI）持续预测框架，随着新患者数据的不断更新，实时动态调整预测结果。通过在每次数据更新时采用最新的AKI相关变量值，该模型实现了0.724的AUC，显著优于传统的一次性预测模型（固定在特定时间点进行预测）。

ABSTRACT

Acute kidney injury (AKI) commonly occurs in hospitalized patients and can lead to serious medical complications. In order to optimally predict AKI before it develops at any time during a hospital stay, we present a novel framework in which AKI is continually predicted automatically from EHR data over the entire hospital stay instead of at only one particular time. The continual model predicts AKI every time a patients AKI-relevant variable changes in the EHR. Thus the model is not only independent of a particular time for making predictions, but it can also leverage the latest values of all the AKI-relevant patient variables for making predictions. Using data of 44,691 hospital stays of duration longer than 24 hours we evaluated our continual prediction model and compared it with the traditional one-time prediction models. Excluding hospitals stays in which AKI occurred within 24 hours from admission, the one-time prediction model predicting at 24 hours from admission obtained area under ROC curve (AUC) of 0.653 while the continual prediction model obtained AUC of 0.724. The one-time prediction model that predicts at 24 hours obviously cannot predict AKI incidences that occur within 24 hours of admission which when included in the evaluation reduced its AUC to 0.57. In comparison, the continual prediction model had AUC of 0.709. The continual prediction model also did better than all other one-time prediction models predicting at other fixed times. By being able to take into account the latest values of AKI-relevant patient variables and by not being limited to a particular time of prediction, the continual prediction model out-performed one-time prediction models in predicting AKI.

研究动机与目标

• 解决传统一次性预测模型在住院期间固定于某一时间点预测的局限性。
• 通过在整个住院期间实现连续、实时的预测，提升急性肾损伤（AKI）的早期检测能力。
• 在每次患者数据更新时，利用最新临床数据（来自EHR）进行动态风险评估。
• 在不同时间窗口下，评估持续预测模型相较于传统一次性预测模型的性能表现。

提出的方法

• 该框架在EHR中每次记录新的AKI相关变量时，即持续更新AKI风险预测。
• 模型基于44,691次住院时长超过24小时的住院记录进行训练。
• 模型动态整合了与AKI相关的生命体征、检验结果及其他临床变量的最新值。
• 预测不局限于固定时间点（如入院后24小时），从而实现AKI发作的早期检测。
• 通过在整个住院时间轴上评估性能，避免了固定时间点模型带来的偏差。
• 采用受试者工作特征曲线下面积（AUC）评估模型性能，并将持续预测与在不同固定时间点的一次性预测进行比较。

实验结果

研究问题

• RQ1 与一次性预测模型相比，基于EHR数据的持续预测是否能提升住院患者急性肾损伤的早期检测能力？
• RQ2 当AKI发生在住院最初24小时内时，持续更新模型的性能与固定时间点预测模型相比如何？
• RQ3 在每次更新时利用最新临床数据，是否能带来优于单次时间点静态预测的预测性能？
• RQ4 在包含早期AKI病例的情况下，持续模型在不同住院时间窗口内的表现如何，特别是在早期阶段？

主要发现

• 在整段住院期间评估AKI预测时，持续预测模型的AUC达到0.724，优于一次性预测模型。
• 在入院24小时后进行预测的一次性模型AUC为0.653，但当纳入住院最初24小时内发生的早期AKI病例时，AUC下降至0.57。
• 持续模型即使在包含入院最初24小时内发生的AKI病例时，仍保持强劲表现，AUC达到0.709。
• 持续模型优于所有在其他时间点固定预测的一次性预测模型。
• 该框架通过在每次新数据点更新时重新预测，成功捕捉了早期AKI的发病迹象，降低了漏诊早期发病病例的风险。
• 结果表明，利用实时EHR更新的持续预测方法，能显著提升住院患者AKI的预测准确性。