[论文解读] DeepAISE -- An End-to-End Development and Deployment of a Recurrent Neural Survival Model for Early Prediction of Sepsis

Supreeth P. Shashikumar, Christopher S. Josef+2 more|arXiv (Cornell University)|Aug 10, 2019

Sepsis Diagnosis and Treatment参考文献 41被引用 8

一句话总结

DeepAISE 是一种端到端的循环神经生存模型，通过使用时间性临床时间序列预测重症监护病房（ICU）患者的脓毒症发作，将临床定义的脓毒症发作标准与治疗策略相结合，以优化预测准确性。其在内部验证中的 AUC 为 0.90，在外部验证中的 AUC 为 0.87，且误报率较低（FAR=0.20 和 0.26），同时通过联合建模生存结果与特征交互，提供可解释的风险表征。

ABSTRACT

Sepsis, a dysregulated immune system response to infection, is among the leading causes of morbidity, mortality, and cost overruns in the Intensive Care Unit (ICU). Early prediction of sepsis can improve situational awareness amongst clinicians and facilitate timely, protective interventions. While the application of predictive analytics in ICU patients has shown early promising results, much of the work has been encumbered by high false-alarm rates. Efforts to improve specificity have been limited by several factors, most notably the difficulty of labeling sepsis onset time and the low prevalence of septic-events in the ICU. Here, we present DeepAISE (Deep Artificial Intelligence Sepsis Expert), a recurrent neural survival model for the early prediction of sepsis. We show that by coupling a clinical criterion for defining sepsis onset time with a treatment policy (e.g., initiation of antibiotics within one hour of meeting the criterion), one may rank the relative utility of various criteria through offline policy evaluation. Given the optimal criterion, DeepAISE automatically learns predictive features related to higher-order interactions and temporal patterns among clinical risk factors that maximize the data likelihood of observed time to septic events. DeepAISE has been incorporated into a clinical workflow, which provides real-time hourly sepsis risk scores. A comparative study of four baseline models indicates that DeepAISE produces the most accurate predictions (AUC=0.90 and 0.87) and the lowest false alarm rates (FAR=0.20 and 0.26) in two separate cohorts (internal and external, respectively), while simultaneously producing interpretable representations of the clinical time series and risk factors.

研究动机与目标

• 为解决脓毒症预测中误报率高的挑战，通过结合临床事件定义对生存时间进行建模。
• 通过将脓毒症发作的标注与现实世界中的治疗策略（如一小时内开始抗生素治疗）对齐，提高预测的特异性。
• 开发一种端到端系统，学习脓毒症临床危险因素之间复杂的时间依赖关系与高阶交互作用。
• 实现实时临床工作流中脓毒症风险评分的部署，并具备可解释性。

提出的方法

• 该模型采用循环神经网络（RNN）架构，对随时间推移的 ICU 生命体征和实验室数值进行处理。
• 采用生存建模框架，基于基于似然的目标函数估计脓毒症发作的时间分布。
• 临床标准将脓毒症发作定义为满足 SIRS 和器官功能障碍标准，同时以一小时内开始治疗作为策略锚点。
• 使用离线策略评估方法对不同脓毒症发作定义进行排序与选择，以最大化预测效用。
• 通过联合优化生存似然与时间特征交互，学习预测性表征。
• 应用可解释的注意力机制，突出显示与临床相关的时序模式和风险因素。

实验结果

研究问题

• RQ1 与基线模型相比，循环神经生存模型是否能在提升早期脓毒症预测准确性的同时降低误报率？
• RQ2 将脓毒症发作定义与现实世界治疗策略对齐，对模型性能和临床实用性有何影响？
• RQ3 深度学习模型在多大程度上能够捕捉临床变量之间的时间高阶交互作用以实现脓毒症预测？
• RQ4 是否可成功将端到端系统部署于临床工作流中，实现实时风险评分并具备可解释性？
• RQ5 在一致治疗策略下评估时，不同脓毒症发作标准的相对效用如何？

主要发现

• DeepAISE 在内部验证队列中 AUC 达到 0.90，在外部验证队列中 AUC 达到 0.87，优于四种基线模型的区分能力。
• 模型的误报率分别为 0.20（内部）和 0.26（外部），显著低于基线模型，表明特异性得到提升。
• 通过离线策略评估，研究识别出一种基于临床实际的脓毒症发作标准，其预测效用最大。
• 该模型生成了临床时间序列的可解释表征，突出显示了导致脓毒症风险的关键时间模式和风险因素。
• 将 DeepAISE 集成到临床工作流中，实现了每小时一次的实时风险评分，支持及时的临床决策。
• 生存建模方法有效捕捉了 ICU 数据中复杂的非线性时间依赖关系，从而提升了预测性能。