NPRL: Nightly Profile Representation Learning for Early Sepsis Onset Prediction in ICU Trauma Patients

要約

タイトル：ICU外傷患者における早期敗血症発症予測のための夜間プロファイル表現学習
要約：
– 敗血症は感染症が原因で発生する症候群であり、ICUでの死亡原因の一つである。
– 患者の生存と健康維持にとって、敗血症の早期予測が重要であり、抗生物質の早期投与により合併症を減らすことができる。
– 医療インフラ内で展開されている現在の機械学習アルゴリズムは性能が低く、敗血症発症の早期予測に不十分である。
– 最近では、敗血症の予測に深層学習が提案されているが、早期発症の時間を捉えられないものや、医療施設に展開することが現実的ではないものもある。
– 本論文では、夜間に収集されたデータを使用して、翌日の24時間以内に敗血症が発生するかどうかの予測フレームワークを提案している。
– しかし、日ごとの予測レートを上げるにつれて、陰性インスタンス（敗血症が発生しない場合）の数が増え、陽性インスタンス（敗血症が発生する場合）の数は同じままである。
– したがって、機械学習モデルが珍しい敗血症症例を捉えるのが困難な重度のクラスの不均衡問題が発生する。
– この問題に対処するために、各患者について夜間プロファイル表現学習（NPRL）を行うことを提案している。
– NPRLは理論的に珍しいイベントが発生する問題を緩和できることを証明しており、レベル1外傷センターのデータを使用した実証研究でも有効性が示されている。

要約(オリジナル)

Sepsis is a syndrome that develops in response to the presence of infection. It is characterized by severe organ dysfunction and is one of the leading causes of mortality in Intensive Care Units (ICUs) worldwide. These complications can be reduced through early application of antibiotics, hence the ability to anticipate the onset of sepsis early is crucial to the survival and well-being of patients. Current machine learning algorithms deployed inside medical infrastructures have demonstrated poor performance and are insufficient for anticipating sepsis onset early. In recent years, deep learning methodologies have been proposed to predict sepsis, but some fail to capture the time of onset (e.g., classifying patients’ entire visits as developing sepsis or not) and others are unrealistic to be deployed into medical facilities (e.g., creating training instances using a fixed time to onset where the time of onset needs to be known apriori). Therefore, in this paper, we first propose a novel but realistic prediction framework that predicts each morning whether sepsis onset will occur within the next 24 hours using data collected at night, when patient-provider ratios are higher due to cross-coverage resulting in limited observation to each patient. However, as we increase the prediction rate into daily, the number of negative instances will increase while that of positive ones remain the same. Thereafter, we have a severe class imbalance problem, making a machine learning model hard to capture rare sepsis cases. To address this problem, we propose to do nightly profile representation learning (NPRL) for each patient. We prove that NPRL can theoretically alleviate the rare event problem. Our empirical study using data from a level-1 trauma center further demonstrates the effectiveness of our proposal.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI