MedLens: Improve mortality prediction via medical signs selecting and regression interpolation

要約

患者の健康状態を監視し、死亡率を事前に予測することは、患者にタイムリーなケアと治療を提供するために不可欠です。
電子医療記録 (EHR) 内の大量の医療兆候を高度な機械学習モデルに適合させて予測を行います。
しかし、元の臨床症状のデータ品質の問題については、文献ではあまり議論されていません。
さまざまな医療兆候および大量の患者の入院記録にわたる欠落率と相関スコアの詳細な測定に基づいて、総合的な欠落率が非常に高く、多数の無用な兆候が医療のパフォーマンスに悪影響を与える可能性があることを発見しました。
予測モデル。
そして、データ品質を向上させることによってのみ、さまざまな予測アルゴリズムのベースライン精度を向上させることができると結論付けました。
私たちは、統計による自動バイタル医療兆候選択アプローチと、高い欠損率の時系列に対する柔軟な補間アプローチを備えた MEDLENS を設計しました。
MEDLENS は、元の医療兆候のデータ品質を強化した後、アンサンブル分類器を適用して精度を向上させ、同時に計算オーバーヘッドを削減します。
従来のベンチマークを上回る、0.96% AUC-ROC、0.81% AUC-PRという非常に高精度な性能を実現しています。

要約(オリジナル)

Monitoring the health status of patients and predicting mortality in advance is vital for providing patients with timely care and treatment. Massive medical signs in electronic health records (EHR) are fitted into advanced machine learning models to make predictions. However, the data-quality problem of original clinical signs is less discussed in the literature. Based on an in-depth measurement of the missing rate and correlation score across various medical signs and a large amount of patient hospital admission records, we discovered the comprehensive missing rate is extremely high, and a large number of useless signs could hurt the performance of prediction models. Then we concluded that only improving data-quality could improve the baseline accuracy of different prediction algorithms. We designed MEDLENS, with an automatic vital medical signs selection approach via statistics and a flexible interpolation approach for high missing rate time series. After augmenting the data-quality of original medical signs, MEDLENS applies ensemble classifiers to boost the accuracy and reduce the computation overhead at the same time. It achieves a very high accuracy performance of 0.96% AUC-ROC and 0.81% AUC-PR, which exceeds the previous benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google