[论文解读] Learning from Clinical Judgments: Semi-Markov-Modulated Marked Hawkes Processes for Risk Prognosis

Ahmed M. Alaa, Scott Hu+1 more|arXiv (Cornell University)|May 15, 2017

Gaussian Processes and Bayesian Inference参考文献 20被引用 11

一句话总结

该论文提出了一种半-Markov调制的带标记霍克斯过程，用于利用电子健康记录（EHR）数据建模住院患者的临床恶化风险。通过捕捉有信息的采样观测（临床医生所订购的生命体征）和有信息的右删失事件（转入ICU），该模型能够学习潜在的临床状态，并在预测ICU转移方面优于现有的风险评分和机器学习方法，相较于最佳基线（Rothman Index）实现了23%的AUROC提升。

ABSTRACT

Critically ill patients in regular wards are vulnerable to unanticipated adverse events which require prompt transfer to the intensive care unit (ICU). To allow for accurate prognosis of deteriorating patients, we develop a novel continuous-time probabilistic model for a monitored patient's temporal sequence of physiological data. Our model captures "informatively sampled" patient episodes: the clinicians' decisions on when to observe a hospitalized patient's vital signs and lab tests over time are represented by a marked Hawkes process, with intensity parameters that are modulated by the patient's latent clinical states, and with observable physiological data (mark process) modeled as a switching multi-task Gaussian process. In addition, our model captures "informatively censored" patient episodes by representing the patient's latent clinical states as an absorbing semi-Markov jump process. The model parameters are learned from offline patient episodes in the electronic health records via an EM-based algorithm. Experiments conducted on a cohort of patients admitted to a major medical center over a 3-year period show that risk prognosis based on our model significantly outperforms the currently deployed medical risk scores and other baseline machine learning algorithms.

研究动机与目标

• 开发一种连续时间的概率模型，利用EHR数据捕捉住院患者临床恶化的时间动态。
• 将临床医生决定何时监测患者（有信息的采样）和何时将其转至ICU（有信息的删失）作为生成过程的一部分进行建模。
• 使用基于EM的算法，从未规则采样的生理数据和观测时间中学习潜在的临床状态。
• 通过将临床判断模式整合到模型结构中，改进ICU转移的早期风险预测。
• 在预测ICU转移前的不良事件方面，优于现有的临床风险评分和机器学习基线。

提出的方法

• 将患者病程建模为一个带标记的霍克斯过程，其中观测时间由受潜在临床状态调制的霍克斯过程的强度驱动。
• 将观测到的生理数据（标记）表示为一个切换的多任务高斯过程，其参数取决于当前的潜在临床状态。
• 使用吸收式半-Markov跳跃过程来建模潜在临床状态，其中吸收表示临床恶化或恢复。
• 通过将观测强度与患者当前临床状态相关联，实现有信息的采样，以反映临床医生的紧迫感。
• 通过将ICU转移或出院建模为半-Markov过程中的吸收事件，实现有信息的删失。
• 采用基于EM的算法，从离线EHR数据中学习模型参数，联合估计潜在状态和观测动态。

实验结果

研究问题

• RQ1 临床判断模式（包括观测时间与转院决策）如何作为风险预测中的有信息信号进行建模？
• RQ2 是否能够通过一种联合捕捉不规则采样生理数据和临床医生驱动的观测过程的连续时间概率模型，提升早期预警的准确性？
• RQ3 与标准的Markov模型或滑动窗口模型相比，将临床恶化建模为吸收式半-Markov过程在多大程度上提升了风险预测性能？
• RQ4 该模型在预测ICU转移方面与现有临床风险评分和机器学习基线相比表现如何？
• RQ5 在实际临床环境中，整合有信息的采样与有信息的删失是否能够实现更早且更准确的风险评分？

主要发现

• 所提出的风险评分实现了0.481的AUROC，相较于表现最佳的临床风险评分（Rothman Index，AUROC为0.255）提升了23%。
• 该模型优于所有基线机器学习方法，包括滑动窗口随机森林（AUROC为0.366），实现了11.5%的AUROC提升。
• 与具有高斯发射的标准隐马尔可夫模型相比，该模型实现了16%的AUROC提升，证明了半-Markov状态转移的优势。
• 在灵敏度为50%时，该风险评分在实际ICU转移前平均8小时发出预警。
• 该模型有效捕捉了临床医生决策的双重作用——既是患者状态的信号，也是有信息的事件——且在推理过程中无需使用观测过程数据。
• 由于其优越的预后性能，该系统正在医疗中心部署，作为当前临床风险评分的替代方案。