[论文解读] Temporal Pattern Discovery for Accurate Sepsis Diagnosis in ICU Patients

Eitam Sheetrit, Nir Nissim+4 more|arXiv (Cornell University)|Sep 6, 2017

Time Series Analysis and Forecasting参考文献 27被引用 8

一句话总结

本文提出了一种基于知识的时序抽象与时间区间挖掘相结合的时序模式发现方法，用于识别ICU生命体征和检验数据中频繁出现的、基于区间的时序模式。分析2,560例MIMIC-III病例后发现，脓毒症患者在脓毒症发作前6–12小时内表现出与非脓毒症患者显著不同的时序模式，表明可利用这些模式作为预测特征实现早期诊断。

ABSTRACT

Sepsis is a condition caused by the body's overwhelming and life-threatening response to infection, which can lead to tissue damage, organ failure, and finally death. Common signs and symptoms include fever, increased heart rate, increased breathing rate, and confusion. Sepsis is difficult to predict, diagnose, and treat. Patients who develop sepsis have an increased risk of complications and death and face higher health care costs and longer hospitalization. Today, sepsis is one of the leading causes of mortality among populations in intensive care units (ICUs). In this paper, we look at the problem of early detection of sepsis by using temporal data mining. We focus on the use of knowledge-based temporal abstraction to create meaningful interval-based abstractions, and on time-interval mining to discover frequent interval-based patterns. We used 2,560 cases derived from the MIMIC-III database. We found that the distribution of the temporal patterns whose frequency is above 10% discovered in the records of septic patients during the last 6 and 12 hours before onset of sepsis is significantly different from that distribution within a similar period, during an equivalent time window during hospitalization, in the records of non-septic patients. This discovery is encouraging for the purpose of performing an early diagnosis of sepsis using the discovered patterns as constructed features.

研究动机与目标

• 为解决ICU患者脓毒症早期检测的挑战，因诊断延迟会增加死亡率。
• 识别在脓毒症发作前出现的纵向ICU数据中具有临床意义的时序模式。
• 利用时序抽象和区间挖掘，将原始时间序列数据转化为可解释的、基于模式的特征。
• 评估脓毒症患者与非脓毒症患者在等效发病前时间窗内的时序模式分布是否存在显著差异。
• 为开发基于数据驱动的、用于早期脓毒症诊断的系统奠定基础，利用所发现的模式。

提出的方法

• 应用基于知识的时序抽象，将原始ICU时间序列数据转换为具有临床意义的区间（例如，“心率升高”或“收缩压降低”持续时间）。
• 使用时间区间挖掘，从患者记录中发现频繁出现的、基于区间的抽象模式。
• 聚焦于脓毒症发作前6–12小时，以识别预测脓毒症发展的模式。
• 比较脓毒症患者与非脓毒症患者在等效发病前住院时间窗内所发现模式的频率分布。
• 使用包含2,560例ICU患者病例的MIMIC-III数据库进行训练和评估。
• 采用统计检验评估脓毒症与非脓毒症队列之间模式分布差异的显著性。

实验结果

研究问题

• RQ1 在脓毒症发作前6–12小时内收集的ICU数据中，时序模式能否有效区分脓毒症患者与非脓毒症患者？
• RQ2 是否存在频繁出现的、基于区间的生命体征和检验值模式，其在脓毒症患者诊断前显著更常见？
• RQ3 基于知识的时序抽象能否有效将原始临床时间序列数据转化为可解释的临床特征，以支持模式发现？
• RQ4 在等效时间窗内，脓毒症患者与非脓毒症患者所发现的时序模式分布是否存在显著差异？
• RQ5 所发现的模式能否作为ICU环境中早期脓毒症诊断的稳健特征？

主要发现

• 在脓毒症发作前6–12小时内，频率高于10%的时序模式分布，在脓毒症患者中与非脓毒症患者相比存在显著差异。
• 本研究识别出一组在脓毒症患者诊断前持续出现的频繁、基于区间的模式，表明其具有预测价值。
• 模式分布的差异具有统计学显著性，支持这些模式作为诊断特征的潜力。
• 该方法成功利用基于知识的规则，将原始ICU数据转化为可解释的、具有临床相关性的时序抽象。
• 结果表明，时序模式挖掘能够发现原始数据中不可见的、细微的早期脓毒症指标。
• 该方法为构建基于时序模式特征的可解释、数据驱动的脓毒症预测模型提供了基础。