[论文解读] Individualized Risk Prognosis for Critical Care Patients: A Multi-task Gaussian Process Model

Ahmed M. Alaa, Jinsung Yoon+2 more|arXiv (Cornell University)|May 22, 2017

Healthcare Technology and Patient Monitoring参考文献 9被引用 3

一句话总结

本文提出了一种基于多任务高斯过程模型的个性化、实时危重患者风险评分，整合了静态患者特征和动态生理时间序列。与现有的Rothman指数和MEWS等工具相比，该模型能将ICU入院预测时间提前最多8小时，阳性预测值达35%，真正阳性率50%，显著减少误报并提升资源利用效率。

ABSTRACT

We report the development and validation of a data-driven real-time risk score that provides timely assessments for the clinical acuity of ward patients based on their temporal lab tests and vital signs, which allows for timely intensive care unit (ICU) admissions. Unlike the existing risk scoring technologies, the proposed score is individualized; it uses the electronic health record (EHR) data to cluster the patients based on their static covariates into subcohorts of similar patients, and then learns a separate temporal, non-stationary multi-task Gaussian Process (GP) model that captures the physiology of every subcohort. Experiments conducted on data from a heterogeneous cohort of 6,094 patients admitted to the Ronald Reagan UCLA medical center show that our risk score significantly outperforms the state-of-the-art risk scoring technologies, such as the Rothman index and MEWS, in terms of timeliness, true positive rate (TPR), and positive predictive value (PPV). In particular, the proposed score increases the AUC with 20% and 38% as compared to Rothman index and MEWS respectively, and can predict ICU admissions 8 hours before clinicians at a PPV of 35% and a TPR of 50%. Moreover, we show that the proposed risk score allows for better decisions on when to discharge clinically stable patients from the ward, thereby improving the efficiency of hospital resource utilization.

研究动机与目标

• 开发一种实时、数据驱动的风险评分，以改进现有危重患者临床风险评分系统的性能。
• 通过整合个体患者特征和时间上的生理轨迹，解决“一刀切”模型的局限性。
• 通过建模非平稳、采样不规则的生理数据随时间的变化，减少误报和报警疲劳。
• 通过实现及时的ICU入院和对临床稳定的患者安全出院，提升医院资源利用效率。
• 在一家大型医疗中心的6,094名患者的大型异质队列中验证该模型。

提出的方法

• 该模型使用多任务高斯过程（GP）捕捉来自不规则采样生命体征和检验结果的非平稳、时间相关生理轨迹。
• 利用无监督学习基于静态入院协变量（如年龄、性别、诊断）对患者进行聚类，以定义患者表型。
• 通过电子健康记录（EHR）数据，分别为临床稳定和恶化患者学习独立的GP超参数，实现表型特异性建模。
• 风险评分源自一个序列假设检验的最优检验统计量，用于比较在观察到的生理序列下，恶化与稳定状态的相对可能性。
• 该模型在EHR数据上端到端训练，随着新测量值的到达实时更新个体化风险评分。
• 实施联合报警系统，以触发ICU转送（高风险）或出院（低风险），报警阈值通过AUC优化。

实验结果

研究问题

• RQ1 数据驱动的个性化风险评分能否在预测ICU恶化方面优于现有的“一刀切”风险评分系统？
• RQ2 与基于快照的模型相比，整合完整的时间生理轨迹在多大程度上能提升预测的准确性和及时性？
• RQ3 基于静态和动态EHR数据推导出的患者表型，在多大程度上能增强模型的个性化和性能？
• RQ4 该模型能否通过提高阳性预测值和预警及时性，减少误报并改善临床决策？
• RQ5 该模型能否通过实现更早、更安全的稳定患者出院，提升医院资源利用效率？

主要发现

• 所提出的评分模型AUC达到0.88，相较于Rothman指数提升20%，相较于MEWS提升38%。
• 在阳性预测值35%、真正阳性率50%的条件下，该模型比当前临床实践提前8小时预测ICU入院。
• 通过建模时间轨迹而非依赖瞬时数值，显著减少了误报，提升了临床信任度并减轻了报警疲劳。
• 在所有评估指标和设置下，该模型均优于所有对比算法（包括随机森林、RNN、LASSO和HMM）。
• 通过联合预测ICU转送和安全出院，该模型实现了更优的资源利用，且在多种风险阈值组合下AUC表现更优。
• 个体化、表型特异的建模方式，相比非个性化或非时间模型，能提供更准确、更个性化的风险评估。