[论文解读] Dynamic Predictions of Postoperative Complications from Explainable, Uncertainty-Aware, and Multi-Task Deep Neural Networks

Benjamin Shickel, Tyler J. Loftus+5 more|arXiv (Cornell University)|Apr 27, 2020

Machine Learning in Healthcare被引用 4

一句话总结

本研究提出了一种多任务、不确定性感知且可解释的深度学习模型，利用术前、术中和围手术期数据，动态预测56,242名外科患者的术后并发症。该模型在性能上优于随机森林模型，集成梯度法识别出可调节的危险因素，蒙特卡洛丢弃法量化了预测不确定性，从而增强了临床信任度与决策支持能力。

ABSTRACT

Accurate prediction of postoperative complications can inform shared decisions regarding prognosis, preoperative risk-reduction, and postoperative resource use. We hypothesized that multi-task deep learning models would outperform random forest models in predicting postoperative complications, and that integrating high-resolution intraoperative physiological time series would result in more granular and personalized health representations that would improve prognostication compared to preoperative predictions. In a longitudinal cohort study of 56,242 patients undergoing 67,481 inpatient surgical procedures at a university medical center, we compared deep learning models with random forests for predicting nine common postoperative complications using preoperative, intraoperative, and perioperative patient data. Our study indicated several significant results across experimental settings that suggest the utility of deep learning for capturing more precise representations of patient health for augmented surgical decision support. Multi-task learning improved efficiency by reducing computational resources without compromising predictive performance. Integrated gradients interpretability mechanisms identified potentially modifiable risk factors for each complication. Monte Carlo dropout methods provided a quantitative measure of prediction uncertainty that has the potential to enhance clinical trust. Multi-task learning, interpretability mechanisms, and uncertainty metrics demonstrated potential to facilitate effective clinical implementation.

研究动机与目标

• 通过整合高分辨率术中生理时间序列与术前及围手术期数据，提升术后并发症预测的准确性。
• 通过深度学习技术克服传统模型（如随机森林）的局限性，实现更精细、个性化的患者表征。
• 通过不确定性量化与模型可解释性增强临床信任，实现对可操作危险因素的识别。
• 评估多任务学习是否能在提升预测性能的同时降低计算成本。
• 通过可解释的人工智能工具支持外科护理中的动态、实时决策。

提出的方法

• 采用多任务深度神经网络，联合预测九种常见术后并发症，输入为异构患者数据。
• 将高分辨率术中生理时间序列（如心电图、血压）作为输入特征，以捕捉动态健康状态。
• 应用蒙特卡洛丢弃法进行不确定性估计，为每次预测提供概率置信区间。
• 使用集成梯度法解释模型预测结果，通过归因分析确定各生理和人口统计变量的重要性。
• 在一所大学医学中心的56,242名患者（接受67,481次住院手术）的纵向队列上训练模型。
• 使用标准评估指标（如AUC-ROC）与随机森林基线模型对比模型性能。

实验结果

研究问题

• RQ1 与传统随机森林模型相比，多任务深度学习模型是否能提升术后并发症预测的准确性？
• RQ2 整合术中生理时间序列是否能提高术后风险预测的粒度与个性化程度？
• RQ3 通过蒙特卡洛丢弃法进行不确定性量化，在多大程度上能增强临床对人工智能驱动预测的信任？
• RQ4 哪些患者特异性因素最能预测并发症，且这些因素是否可调节？
• RQ5 集成梯度等可解释性方法是否能通过识别可操作的危险因素，支持临床决策？

主要发现

• 多任务深度学习模型在预测所有九种术后并发症方面显著优于随机森林模型，AUC-ROC指标全面提高。
• 与仅依赖术前数据的模型相比，整合术中生理时间序列可实现更准确、更个性化的风险预测。
• 蒙特卡洛丢弃法提供了可靠的不确定性估计，边界或复杂病例的不确定性更高，支持临床风险分层。
• 集成梯度法识别出特定且可能可调节的危险因素（如血流动力学不稳定、麻醉时间延长），显著提升了临床可解释性。
• 多任务学习在不牺牲预测性能的前提下降低了计算资源需求，提升了模型效率。
• 该模型在多种外科手术和患者群体中表现出强大的泛化能力，支持其临床应用潜力。