XMI-ICU: Explainable Machine Learning Model for Pseudo-Dynamic Prediction of Mortality in the ICU for Heart Attack Patients

要約

【タイトル】心臓発作患者のICUでの疑似動的死亡予測のための説明可能な機械学習モデルXMI-ICU

【要約】
– 心臓発作は、アメリカや世界中においても死亡原因の最も大きなものの一つである。
– 診断された心筋梗塞（MI）を合併してICUに入院した患者は死亡リスクが高い。
– 本研究では、eICUおよびMIMIC-IVデータベースから抽出した2つのレトロスペクティブなコホートを使用し、死亡予測について、解釈可能性と臨床的リスク分析を持つ新しい疑似動的な機械学習フレームワークを開発した。
– この方法により、事象の24時間前までICU患者の正確な予測が可能で、時間解像度の解釈結果を提供することができる。
– 本研究で用いた極端勾配ブースティングによるフレームワークのパフォーマンスは、eICUのテストセットで評価され、時間解像度のShapley値によって識別された最も重要な特徴を用いて外部検証も行われた。その結果、6時間後の死亡予測のAUCは91.0（バランスされた正確度は82.3）を達成した。
– 本フレームワークは、生理学的測定値を時間系列データから静的な予測問題に変換することにより、ICU滞在中でも強く予測することができ、時間解像度の解釈によって臨床的な知見を提供することができた。

要約(オリジナル)

Heart attack remain one of the greatest contributors to mortality in the United States and globally. Patients admitted to the intensive care unit (ICU) with diagnosed heart attack (myocardial infarction or MI) are at higher risk of death. In this study, we use two retrospective cohorts extracted from the eICU and MIMIC-IV databases, to develop a novel pseudo-dynamic machine learning framework for mortality prediction in the ICU with interpretability and clinical risk analysis. The method provides accurate prediction for ICU patients up to 24 hours before the event and provide time-resolved interpretability results. The performance of the framework relying on extreme gradient boosting was evaluated on a held-out test set from eICU, and externally validated on the MIMIC-IV cohort using the most important features identified by time-resolved Shapley values achieving AUCs of 91.0 (balanced accuracy of 82.3) for 6-hour prediction of mortality respectively. We show that our framework successfully leverages time-series physiological measurements by translating them into stacked static prediction problems to be robustly predictive through time in the ICU stay and can offer clinical insight from time-resolved interpretability

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI