Investigating potential causes of Sepsis with Bayesian network structure learning

要約

敗血症は生命を脅かす深刻な世界的な健康問題です。
この研究では、知識と入手可能な病院データを組み合わせて、政策決定によって影響を受ける可能性のある敗血症の潜在的な原因を調査します。
私たちは、臨床専門知識とスコアベース、制約ベース、およびハイブリッド構造学習アルゴリズムを組み合わせることにより、この問題の根底にある因果構造を調査します。
因果推論のための合意構造に到達するために、モデルの平均化と知識ベースの制約に対する新しいアプローチが実装されました。
構造学習プロセスでは、臨床専門知識と並行してデータ駆動型のアプローチを探求することの重要性が強調されました。
これには、臨床の観点から合理的ではあるものの予期せぬ関係を発見することが含まれます。
慢性閉塞性肺疾患、アルコール依存症、糖尿病に対する仮説上の介入は、患者にこれらの危険因子が存在すると敗血症の可能性が高まることを示唆しています。
この発見は、敗血症に対するこれらの危険因子の影響を測定することと併せて、政策に潜在的な影響を及ぼします。
敗血症関連の健康転帰の改善における予測の重要性を認識し、構築されたモデルは敗血症を予測する能力についても評価されています。
コンセンサスモデルによって生成された予測は、その精度、感度、特異性について評価されました。
これら 3 つの指標はすべて約 70% の結果を示し、AUC は 80% でした。これは、モデルが試運転目的のみで利用可能なデータでトレーニングされたことを考慮すると、モデルの因果構造がかなり正確であることを意味します。

要約(オリジナル)

Sepsis is a life-threatening and serious global health issue. This study combines knowledge with available hospital data to investigate the potential causes of Sepsis that can be affected by policy decisions. We investigate the underlying causal structure of this problem by combining clinical expertise with score-based, constraint-based, and hybrid structure learning algorithms. A novel approach to model averaging and knowledge-based constraints was implemented to arrive at a consensus structure for causal inference. The structure learning process highlighted the importance of exploring data-driven approaches alongside clinical expertise. This includes discovering unexpected, although reasonable, relationships from a clinical perspective. Hypothetical interventions on Chronic Obstructive Pulmonary Disease, Alcohol dependence, and Diabetes suggest that the presence of any of these risk factors in patients increases the likelihood of Sepsis. This finding, alongside measuring the effect of these risk factors on Sepsis, has potential policy implications. Recognising the importance of prediction in improving Sepsis related health outcomes, the model built is also assessed in its ability to predict Sepsis. The predictions generated by the consensus model were assessed for their accuracy, sensitivity, and specificity. These three indicators all had results around 70%, and the AUC was 80%, which means the causal structure of the model is reasonably accurate given that the models were trained on data available for commissioning purposes only.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google