[论文解读] Personalized Risk Scoring for Critical Care Patients using Mixtures of Gaussian Process Experts

Ahmed M. Alaa, Jinsung Yoon+2 more|arXiv (Cornell University)|May 3, 2016

Gaussian Processes and Bayesian Inference参考文献 15被引用 12

一句话总结

本文提出了一种基于高斯过程专家混合模型的个性化实时风险评分系统，用于危重症患者，通过从临床稳定患者中发现潜在类别并将其迁移至病情恶化患者，以建模生理数据。该方法在预测准确率上优于MEWS、Rothman指数和LASSO模型，通过基于入院特征的自适应专家加权，考虑了患者异质性，使阳性预测值提升16–18%，AUC提升5%。

ABSTRACT

We develop a personalized real time risk scoring algorithm that provides timely and granular assessments for the clinical acuity of ward patients based on their (temporal) lab tests and vital signs. Heterogeneity of the patients population is captured via a hierarchical latent class model. The proposed algorithm aims to discover the number of latent classes in the patients population, and train a mixture of Gaussian Process (GP) experts, where each expert models the physiological data streams associated with a specific class. Self-taught transfer learning is used to transfer the knowledge of latent classes learned from the domain of clinically stable patients to the domain of clinically deteriorating patients. For new patients, the posterior beliefs of all GP experts about the patient's clinical status given her physiological data stream are computed, and a personalized risk score is evaluated as a weighted average of those beliefs, where the weights are learned from the patient's hospital admission information. Experiments on a heterogeneous cohort of 6,313 patients admitted to Ronald Regan UCLA medical center show that our risk score outperforms the currently deployed risk scores, such as MEWS and Rothman scores.

研究动机与目标

• 开发一种实时、个性化的危重症患者风险评分系统，以在准确率和粒度上超越现有临床风险评分。
• 通过在临床稳定患者中使用无监督学习发现潜在生理亚型，解决患者群体异质性问题。
• 通过自教式迁移学习，将稳定患者中发现的知识迁移到病情恶化患者，实现在急性护理环境中的准确风险评估。
• 通过基于患者入院特征动态加权多个高斯过程专家，实现风险评分个性化，提升临床决策支持能力。
• 在预测ICU转院和不良事件方面，验证该模型相较于MEWS和Rothman指数等现有评分的优越性。

提出的方法

• 分层潜在类别模型通过无监督学习从临床稳定患者的生理数据中发现患者亚群数量。
• 每个潜在类别由一个高斯过程（GP）专家建模，其超参数通过时间序列检验和生命体征数据学习得到。
• 自教式迁移学习将稳定患者中发现的潜在类别迁移到病情恶化患者，使GP专家适应急性状态。
• 对于新患者，风险评分计算为所有GP专家后验信念的加权平均，其中权重由入院特征决定。
• 混合权重通过参数化模型学习，该模型将入院信息（如性别、转院状态）映射到专家责任。
• 通过10折分层交叉验证评估模型性能，指标包括AUC、真正率（TPR）和阳性预测值（PPV）。

实验结果

研究问题

• RQ1 基于数据驱动的个性化风险评分模型是否能在预测ICU转院方面优于传统的专家评分（如MEWS和Rothman指数）？
• RQ2 通过潜在类别建模患者异质性，如何提升实时风险评估的准确率和粒度？
• RQ3 从稳定患者到病情恶化患者的自教式迁移学习，在多大程度上提升了模型的泛化能力和性能？
• RQ4 哪些患者入院特征对混合模型中专家分配和风险评分变化最具预测力？
• RQ5 在个性化风险评分中，多个GP专家的软融合是否优于硬聚类或专家选择方法？

主要发现

• 所提出的四专家模型相较于MEWS和Rothman指数，分别实现了16%和18%的阳性预测值提升，p值均小于0.01。
• 通过多个GP专家建模患者异质性，相较于单专家模型，AUC提升5%，在40%真正率下阳性预测值提升10%。
• 在10折交叉验证中，该模型在所有真正率和阳性预测值设置下均持续优于LASSO逻辑回归和基线评分。
• 反事实分析显示，一名从其他医院转来的男性患者，即使其生命体征与一名女性非转院患者完全相同，其风险评分也更高，原因在于基于入院特征的专家加权。
• 所有专家的软融合优于仅将患者分配给单一专家的硬聚类方法，证明了专家信念概率融合在粒度上的优势。
• 模型揭示，入院特征如转院状态和性别显著影响专家责任分配，为风险分层提供了新的临床洞见。