A Novel Generative Multi-Task Representation Learning Approach for Predicting Postoperative Complications in Cardiac Surgery Patients

要約

外科的合併症の早期発見により、タイムリーな治療と事前のリスク軽減が可能になります。
機械学習 (ML) を活用して、患者の術後合併症のリスクを特定および予測できます。
私たちは、クロスタスクおよびクロスコホートプレゼンテーション学習を通じて固有のパターンを明らかにする新しい外科用変分オートエンコーダー (surgVAE) を使用して、術後合併症を予測する有効性を開発し、検証しました。
この後ろ向きコホート研究では、4年間（2018年から2021年）にわたる成人外科患者の電子健康記録のデータを使用しました。
心臓手術の 6 つの主要な術後合併症、すなわち急性腎損傷、心房細動、心停止、深部静脈血栓症または肺塞栓症、輸血、およびその他の術中心臓イベントが評価されました。
私たちは、5 分割相互検証の下で、広く使用されている ML モデルおよび高度な表現学習および生成モデルに対して surgVAE の予測パフォーマンスを比較しました。
89,246件の手術（男性49％、年齢中央値（IQR）：57歳（45～69歳））が含まれ、対象となった心臓手術コホートには6,502件（男性61％、年齢中央値（IQR）：60歳（53～70歳））が含まれていた。
surgVAE は、心臓手術患者のすべての術後合併症において既存の ML ソリューションよりも優れたパフォーマンスを示し、マクロ平均 AUPRC 0.409 とマクロ平均 AUROC 0.831 を達成しました。これらは、最良の代替方法よりもそれぞれ 3.4% および 3.7% 高かったです (by
AUPRC スコア）。
統合勾配を使用したモデルの解釈により、術前の変数の重要性に基づいて主要な危険因子が強調表示されました。
surgVAE は、術後合併症を予測し、データの複雑さ、コホートの規模が小さい、陽性事象の頻度が低いという課題に対処する上で、優れた識別性能を示しました。
surgVAE は、患者のリスク プロファイルの解釈可能性を高めながら、患者のリスクと予後のデータ駆動型の予測を可能にします。

要約(オリジナル)

Early detection of surgical complications allows for timely therapy and proactive risk mitigation. Machine learning (ML) can be leveraged to identify and predict patient risks for postoperative complications. We developed and validated the effectiveness of predicting postoperative complications using a novel surgical Variational Autoencoder (surgVAE) that uncovers intrinsic patterns via cross-task and cross-cohort presentation learning. This retrospective cohort study used data from the electronic health records of adult surgical patients over four years (2018 – 2021). Six key postoperative complications for cardiac surgery were assessed: acute kidney injury, atrial fibrillation, cardiac arrest, deep vein thrombosis or pulmonary embolism, blood transfusion, and other intraoperative cardiac events. We compared prediction performances of surgVAE against widely-used ML models and advanced representation learning and generative models under 5-fold cross-validation. 89,246 surgeries (49% male, median (IQR) age: 57 (45-69)) were included, with 6,502 in the targeted cardiac surgery cohort (61% male, median (IQR) age: 60 (53-70)). surgVAE demonstrated superior performance over existing ML solutions across all postoperative complications of cardiac surgery patients, achieving macro-averaged AUPRC of 0.409 and macro-averaged AUROC of 0.831, which were 3.4% and 3.7% higher, respectively, than the best alternative method (by AUPRC scores). Model interpretation using Integrated Gradients highlighted key risk factors based on preoperative variable importance. surgVAE showed excellent discriminatory performance for predicting postoperative complications and addressing the challenges of data complexity, small cohort sizes, and low-frequency positive events. surgVAE enables data-driven predictions of patient risks and prognosis while enhancing the interpretability of patient risk profiles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google