Aiming for Relevance

要約

集中治療室 (ICU) ではバイタルサインが非常に重要です。
これらは、患者の状態を追跡し、臨床的に重要な変化を特定するために使用されます。
バイタルサインの軌跡を予測することは、有害事象の早期検出に役立ちます。
ただし、RMSE などの従来の機械学習メトリクスでは、そのような予測の真の臨床関連性を捉えることができないことがよくあります。
臨床基準からの逸脱、全体的な傾向、傾向の逸脱に焦点を当て、臨床状況に合わせた新しいバイタルサイン予測パフォーマンスメトリクスを導入します。
これらの指標は、ICU の臨床医とのインタビューを通じて以前の研究で得られた経験的な効用曲線から導出されています。
シミュレートされた臨床データセットと実際の臨床データセット (MIMIC および eICU) を使用して、指標の有用性を検証します。
さらに、これらのメトリクスをニューラル ネットワークの損失関数として採用し、臨床的に重要なイベントの予測に優れたモデルを実現します。
この研究は、臨床関連の機械学習モデルの評価と最適化への道を切り開き、ICU 患者のケアを改善することを約束します。
10ページ、9図。

要約(オリジナル)

Vital signs are crucial in intensive care units (ICUs). They are used to track the patient’s state and to identify clinically significant changes. Predicting vital sign trajectories is valuable for early detection of adverse events. However, conventional machine learning metrics like RMSE often fail to capture the true clinical relevance of such predictions. We introduce novel vital sign prediction performance metrics that align with clinical contexts, focusing on deviations from clinical norms, overall trends, and trend deviations. These metrics are derived from empirical utility curves obtained in a previous study through interviews with ICU clinicians. We validate the metrics’ usefulness using simulated and real clinical datasets (MIMIC and eICU). Furthermore, we employ these metrics as loss functions for neural networks, resulting in models that excel in predicting clinically significant events. This research paves the way for clinically relevant machine learning model evaluation and optimization, promising to improve ICU patient care. 10 pages, 9 figures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google