[论文解读] Semantically Enhanced Dynamic Bayesian Network for Detecting Sepsis Mortality Risk in ICU Patients with Infection

Tony Wang, Tom Velez+4 more|arXiv (Cornell University)|Jun 26, 2018

Sepsis Diagnosis and Treatment参考文献 53被引用 6

一句话总结

本研究提出了一种语义增强的动态贝叶斯网络（DBN），通过整合定制化的脓毒症本体、结构化生理数据和非结构化临床记录，以预测ICU患者脓毒症相关死亡率。该DBN的AUROC达到0.91，显著优于传统评分工具SOFA（0.843）、qSOFA（0.66）、MEWS（0.729）和SAPS-II（0.766），展现出更优的预测准确性和再分类性能。

ABSTRACT

Although timely sepsis diagnosis and prompt interventions in Intensive Care Unit (ICU) patients are associated with reduced mortality, early clinical recognition is frequently impeded by non-specific signs of infection and failure to detect signs of sepsis-induced organ dysfunction in a constellation of dynamically changing physiological data. The goal of this work is to identify patient at risk of life-threatening sepsis utilizing a data-centered and machine learning-driven approach. We derive a mortality risk predictive dynamic Bayesian network (DBN) guided by a customized sepsis knowledgebase and compare the predictive accuracy of the derived DBN with the Sepsis-related Organ Failure Assessment (SOFA) score, the Quick SOFA (qSOFA) score, the Simplified Acute Physiological Score (SAPS-II) and the Modified Early Warning Score (MEWS) tools. A customized sepsis ontology was used to derive the DBN node structure and semantically characterize temporal features derived from both structured physiological data and unstructured clinical notes. We assessed the performance in predicting mortality risk of the DBN predictive model and compared performance to other models using Receiver Operating Characteristic (ROC) curves, area under curve (AUROC), calibration curves, and risk distributions. The derived dataset consists of 24,506 ICU stays from 19,623 patients with evidence of suspected infection, with 2,829 patients deceased at discharge. The DBN AUROC was found to be 0.91, which outperformed the SOFA (0.843), qSOFA (0.66), MEWS (0.73), and SAPS-II (0.77) scoring tools. Continuous Net Reclassification Index and Integrated Discrimination Improvement analysis supported the superiority DBN. Compared with conventional rule-based risk scoring tools, the sepsis knowledgebase-driven DBN algorithm offers improved performance for predicting mortality of infected patients in ICUs.

研究动机与目标

• 开发一种基于数据驱动和机器学习的模型，以提升对感染性ICU患者脓毒症死亡风险的早期识别能力。
• 利用针对脓毒症的本体，整合结构化生理数据与非结构化临床记录，以增强时间特征的表征。
• 在预测感染性ICU患者院内死亡率方面，超越传统的临床评分系统（SOFA、qSOFA、MEWS、SAPS-II）。
• 在大规模真实世界ICU数据集（24,506例住院记录）上验证模型性能，并通过严格的统计评估证明其优越性。
• 通过临床医生参与的语义建模和基于新数据的迭代再训练，实现模型的持续改进。

提出的方法

• 构建了定制化的脓毒症本体，以指导DBN中时间特征的节点结构与语义表征。
• 利用临床叙述性记录和生理时间序列数据，通过自然语言处理与时间特征工程，提取语义丰富的特征。
• 构建了动态贝叶斯网络（DBN），用于建模器官功能障碍和生理变化随时间的随机演化过程。
• 在19,623名疑似感染患者的24,506例ICU住院记录上训练DBN模型，以出院时的死亡状态作为预测目标。
• 采用ROC曲线、AUROC、校准曲线、风险分布分析，以及连续净再分类指数（NRI）和综合区分度改进（IDI）对性能进行验证。
• 采用Cmap驱动的框架，使临床医生能够迭代优化语义模型，提升模型的可解释性与性能。

实验结果

研究问题

• RQ1 与传统评分工具相比，语义增强的动态贝叶斯网络是否能提升对ICU患者脓毒症相关死亡率的预测能力？
• RQ2 将非结构化临床记录与结构化生理数据相结合，能在多大程度上提升脓毒症死亡风险建模的预测性能？
• RQ3 DBN模型在AUROC、校准性和再分类性能方面，与SOFA、qSOFA、MEWS和SAPS-II相比表现如何？
• RQ4 基于知识库的DBN是否能比基于规则的评分系统更有效地捕捉时间动态与器官功能障碍的进展？
• RQ5 使用临床医生构建的本体以及基于Cmap的模型优化方法，是否能提升模型的鲁棒性与泛化能力？

主要发现

• 所提出的DBN在预测感染性ICU患者院内死亡率方面达到AUROC 0.91，显著优于SOFA（0.843）、qSOFA（0.66）、MEWS（0.729）和SAPS-II（0.766）。
• 连续净再分类指数（NRI）与综合区分度改进（IDI）分析证实，DBN在预测性能上显著优于SOFA、qSOFA、MEWS与SAPS-II。
• 模型表现出良好的校准性与风险预测的均匀分布，表明在不同风险分层中均具备可靠的判别能力。
• 将非结构化临床记录与结构化数据结合，增强了特征表征，使模型准确率超越传统评分系统。
• 即使在包含每位患者所有ICU住院记录的情况下，DBN的性能依然稳健，表明患者内相关性影响有限。
• Cmap驱动的框架支持临床医生迭代优化语义模型，促进模型的持续改进与对新证据的适应。