[论文解读] MIMIC-Extract

Shirly Wang, Matthew B. A. McDermott+4 more|arXiv (Cornell University)|Apr 2, 2020

Machine Learning in Healthcare参考文献 26被引用 12

一句话总结

MIMIC-Extract 是一个开源管道，可将原始的 MIMIC-III 电子健康记录（EHR）数据转换为标准化的、时间序列就绪的数据框，适用于机器学习。它通过自动化单位转换、异常值检测、特征聚合和时间序列保留，实现了可复现的、具有临床意义的建模，显著提高了医疗机器学习研究中数据的可访问性和可用性。

ABSTRACT

Robust machine learning relies on access to data that can be used with standardized frameworks in important tasks and the ability to develop models whose performance can be reasonably reproduced. In machine learning for healthcare, the community faces reproducibility challenges due to a lack of publicly accessible data and a lack of standardized data processing frameworks. We present MIMIC-Extract, an open-source pipeline for transforming raw electronic health record (EHR) data for critical care patients contained in the publicly-available MIMIC-III database into dataframes that are directly usable in common machine learning pipelines. MIMIC-Extract addresses three primary challenges in making complex health records data accessible to the broader machine learning community. First, it provides standardized data processing functions, including unit conversion, outlier detection, and aggregating semantically equivalent features, thus accounting for duplication and reducing missingness. Second, it preserves the time series nature of clinical data and can be easily integrated into clinically actionable prediction tasks in machine learning for health. Finally, it is highly extensible so that other researchers with related questions can easily use the same pipeline. We demonstrate the utility of this pipeline by showcasing several benchmark tasks and baseline results.

研究动机与目标

• 通过提供标准化、公开可访问的数据处理方法，解决医疗机器学习中的可复现性危机。
• 克服公开可用、适合机器学习管道的预处理 EHR 数据缺乏的问题。
• 保留临床数据的时间结构，以支持时间序列建模和临床预测任务。
• 实现可扩展性，使研究人员能够将该管道适配于各种临床和分析问题。
• 通过提供一致的数据转换和关键任务的基线结果，促进基准测试。

提出的方法

• 通过自动化单位转换，对临床测量值进行 EHR 数据标准化。
• 应用异常值检测，以识别并处理临床时间序列中的异常值。
• 对语义等价的特征（例如，多个血压读数）进行聚合，以减少冗余和缺失值。
• 通过保留时间顺序和事件序列，维持 EHR 数据的时间序列特性。
• 以结构化数据框的形式输出数据，与常见机器学习框架（如 scikit-learn、PyTorch）兼容。
• 通过模块化设计支持可扩展性，使研究人员能够插入自定义预处理逻辑。

实验结果

研究问题

• RQ1 标准化的开源管道在使用 EHR 数据进行重症监护机器学习时，能否提高模型的可复现性？
• RQ2 自动特征聚合和异常值处理在多大程度上减少了 EHR 中的数据稀疏性和冗余？
• RQ3 该管道在多大程度上保留了临床预测任务所必需的时间关系？
• RQ4 研究人员能否轻松扩展和重用该管道，以适用于各种临床机器学习应用？
• RQ5 使用处理后的数据，在常见基准任务上的基线性能指标是什么？

主要发现

• MIMIC-Extract 成功地将原始的 MIMIC-III EHR 数据转换为标准化的、时间序列就绪的数据框，可立即用于机器学习管道。
• 通过语义特征聚合和自动化数据清洗，该管道减少了数据重复和缺失。
• 单位转换和异常值检测显著提高了异质性临床测量值的数据质量和一致性。
• 保留的时间序列结构使数据能够直接集成到临床相关的预测任务中，如死亡率预测。
• 该管道具有模块化和可扩展性，使研究人员能够将其适配于新的数据源或临床问题。
• 在基准任务上的基线结果表明，处理后的数据在训练和评估机器学习模型方面具有实用性。