LSTM案例——动态和可解释的ICU死亡风险预测

一、简介：

该科研项目整合了2011年至2016年期间，某地首都地区四个icu住院患者的电子健康记录的静态数据和生理时间序列数据，通过LSTM算法对建立动态风险预测模型，以1h的时间分辨率训练一个递归神经网络。使用20%的训练数据集的holdout方法对模型进行内部验证，并使用丹麦第五医院以前看不见的数据进行外部验证。以Matthews相关系数（MCC）和接收机工作特性曲线下面积（AUROC）为指标，采用1000个替换样本的bootstrapping构建95%的CIs。将Shapley加性解释算法应用到预测模型中，得到驱动患者特定预测的特征解释，并分析模型中44个特征的贡献，并与原始SAPS-III模型中的变量进行比较。

二、话不多说上架构：

静态变量 + 动态特征 LSTM时序算法建模 SHAP模型解释

三、特征选取（静态特征 + 动态特征）

1、 SAPS III 模型中使用的特征

SAPS III（急性生理学评分）中包括： ICU入院前的患者特征、入院类型和ICU第一小时的生理紊乱标志。这些变量是静态信息和动态信息的混合。

2、论文模型中使用的特征

静态信息：基线资料（如人口统计和诊断）

动态特征：每日获得的信息（如实验室值）和高采样率（如监测设备）获得的数据。

四、数据整合

连续变量被聚合为1小时值。

1、每小时测量一次以上的变量进行下采样，得到三个新特征：最小值、最大值和中值。

2、测量频率低于每小时的变量被聚合到每小时的中间值（向上采样）。

3、在ICU入院前24小时获得的实验室值包括在入院时的基线资料中。

五、数据预处理

1、数据合理值范围选择

应用SAPS III模型开发期间使用特征的合理范围（附录p 6）做特征规约。

注：部分特征稍有调整

举例：白细胞的最小值由每升10亿设定为每升0亿；

收缩压（SBP）的最大值由200毫米汞柱设定为300毫米汞柱。

2、缺失值处理

1）第一次实际测量之前发生缺失，使用数据集中的总体平均填补。

2）因上采样缺失的数据点，由最后一次观测值结转估算。

3、多分类特征标准化

对非二进制分类数据进行伪编码

六、模型参数及优化（测试了以下设置的所有336个组合）

隐藏层神经元的数量（1、4、8、16、32、64、128）、

隐藏层的数量（1、2、3），

dropout（0，0.2，0.4，0.6），

优化功能（RMSprop或Adagrad），

classes_balancing （on / off）

激活函数：sigmoid

batches ：n=1

七、模型验证

1、Holdout 检验

将原始的样本集合随机划分， 80% 的样本用于模型训练； 20% 的样本进行内部验证。

2、交叉验证

为了解决模型选择中的过度拟合问题，对训练数据还是用五折交叉验证来选择超参数和模型结构。

3、采用1000个替换样本的bootstrapping构建95%的CIs。

八、模型评估

1、常规指标

ROC曲线、精确率、召回率、正（负）预测值以及正（负）似然比等指标。

2、马修斯相关系数（MCC），分类模型的一种质量度量，对不平衡数据集很有用

九、研究结果

11492个患者90天死亡率为33.1%（3802例）；

深度学习模型显示在测试数据集上的预测性能随着ICU住院时间的推移而提高：

该模型具有良好的标定性能。这些结果在5827名6748名入院患者的外部验证队列中得到验证。

图A为预测模型的shap结果；图B为原始SAPS-III模型的shap结果

注意：每个点代表一个特征在给定时间点对一个患者死亡率预测的影响。由于新的死亡率估计值是每小时一次，因此根据ICU住院的持续时间，任何给定的患者都可以被多次表示。

右图表示：44个特征对ICU入院前72小时全滞留试验数据集死亡率预测的相对重要性。左栏显示的是预测非生存的贡献，右栏显示的是预测生存的贡献。

图A显示了三个最重要的特征，在ICU入院的前72小时，将90天死亡率预测推向非存活。

图B显示采用SAPS-III模型的死亡率预测的三个最重要特征，推动预测走向非存活。对于所描述的患者，没有特征指向生存的方向。

注：实线表示模型随时间变化的死亡率预测；虚线表示模型随时间变化的SAPS III评分；橙色阴影为非存活；蓝色阴影为存活。

声明：以上内容均是对原论文阅读后的自我总结，如有侵权无意冒犯且请指正，未经本人同意也不得转载以上内容。

LSTM案例——动态和可解释的ICU死亡风险预测相关推荐

TF之LSTM：利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(matplotlib动态演示)—daiding
TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(matplotlib动态演示)-daiding 目录输出结果代码设计输出结果代码设计 impo ...
TF之LSTM：利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(matplotlib动态演示)
TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(matplotlib动态演示) 目录输出结果代码设计输出结果更新-- 代码设计 import ...
深度学习之LSTM案例分析（三）
#背景来自GitHub上<tensorflow_cookbook>[https://github.com/nfmcclure/tensorflow_cookbook/tree/maste ...
静态语言和动态语言，解释和编译
前提通过高级语言编写的源码,我们能够轻松理解,但对于计算机来说,它只认识二进制指令,源码就是天书,根本无法识别.源码要想执行,必须先转换成二进制指令. 所谓二进制指令,也就是由 0 和 1 组成的机 ...
基于LSTM、RNN及滑动窗口CNN模型的股票价格预测
基于LSTM.RNN及滑动窗口CNN模型的股票价格预测 Abstract 股票市场或股票市场对当今经济产生深远影响.股价的上涨或者下跌对投资者的收益具有重要的决定作用.现有的预测方法使用线性(AR,M ...
数据分享 | LSTM神经网络架构和原理及其在Python中的预测应用（附视频）
本文约2800字,建议阅读10+分钟本文与你分享如何使用长短期记忆网络(LSTM)来拟合一个不稳定的时间序列. 长短期记忆网络--通常称为"LSTM"--是一种特殊的RNN递归神 ...
TF之LSTM：利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化)
TF之LSTM:利用基于顺序的LSTM回归算法对DIY数据集sin曲线(蓝虚)预测cos(红实)(TensorBoard可视化) 目录输出结果代码设计输出结果代码设计 import tenso ...
[时间序列预测]基于BP、LSTM、CNN-LSTM神经网络算法的单特征用电负荷预测[保姆级手把手教学]
系列文章目录深度学习原理-----线性回归+梯度下降法深度学习原理-----逻辑回归算法深度学习原理-----全连接神经网络深度学习原理-----卷积神经网络深度学习原理-----循环神经网 ...
layui table动态选中_NeurIPS 2020 | 伯克利新工作: 基于动态关系推理的多智能体轨迹预测问题...
公众号:将门创投(thejiangmen)作者:加州大学伯克利分校在读博士生李家琛卡内基梅隆大学在读硕士生杨帆 NeurlPS 2020系列论文解读第·1·期本文将分享来自UC Berkele ...

LSTM案例——动态和可解释的ICU死亡风险预测

LSTM案例——动态和可解释的ICU死亡风险预测相关推荐

最新文章

热门文章