Automatic prediction of mortality in patients with mental illness using electronic health records

要約

精神障害は世界中で何百万もの人々の生活に影響を及ぼし、日常生活に支障をきたすだけでなく、平均余命を著しく短縮させます。
この論文では、電子医療記録 (EHR) を備えた予測機械学習モデルを使用して、精神診断を受けた患者の死亡率を予測するという永続的な課題に取り組んでいます。
精神疾患と診断された患者からのデータは、人口統計、処方、および手順の情報を利用して、よく知られた臨床 MIMIC-III データセットから抽出されました。
4 つの機械学習アルゴリズム (ロジスティック回帰、ランダム フォレスト、サポート ベクター マシン、K 最近傍アルゴリズム) が使用され、その結果、ランダム フォレスト モデルとサポート ベクター マシン モデルが他のモデルより優れたパフォーマンスを示し、AUC スコアは 0.911 でした。
特徴重要度分析により、薬剤の処方、特に硫酸モルヒネが予測において極めて重要な役割を果たしていることが明らかになりました。
私たちはさまざまな機械学習アルゴリズムを適用して 30 日以内の死亡率を予測し、その後特徴重要度分析を行いました。
この研究は、病院職員がリスクのある患者を特定して超過死亡を減らすのを支援するために使用できます。

要約(オリジナル)

Mental disorders impact the lives of millions of people globally, not only impeding their day-to-day lives but also markedly reducing life expectancy. This paper addresses the persistent challenge of predicting mortality in patients with mental diagnoses using predictive machine-learning models with electronic health records (EHR). Data from patients with mental disease diagnoses were extracted from the well-known clinical MIMIC-III data set utilizing demographic, prescription, and procedural information. Four machine learning algorithms (Logistic Regression, Random Forest, Support Vector Machine, and K-Nearest Neighbors) were used, with results indicating that Random Forest and Support Vector Machine models outperformed others, with AUC scores of 0.911. Feature importance analysis revealed that drug prescriptions, particularly Morphine Sulfate, play a pivotal role in prediction. We applied a variety of machine learning algorithms to predict 30-day mortality followed by feature importance analysis. This study can be used to assist hospital workers in identifying at-risk patients to reduce excess mortality.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google