关于败血症风险的早期识别的编辑说明

编辑

败血症是全世界发病率和死亡率的主要原因。败血症的早期识别很重要，因为它可以及时实施可能挽救生命的复苏和抗菌治疗。我们提出了COMPOSER(共形多维预测脓毒症风险)，这是一种用于脓毒症早期预测的深度学习模型，专门用于通过检测由错误数据、混乱、分布漂移和数据漂移引起的陌生患者/情况来减少误报。作曲家将这些不熟悉的情况标记为不确定的，而不是做出虚假的预测。来自美国重症监护病房(ICU)和急诊科(ED)两个医疗保健系统的6个患者队列(515,720名患者)被用于训练和外部和暂时验证该模型。

在序列预测设置中，COMPOSER实现了持续高的曲线下面积(AUC) (ICU: 0.925-0.953;艾德:0.938 - -0.945)。在超过600万个预测窗口中，大约20%和8%分别在非脓毒症和脓毒症患者中被确定为不确定。COMPOSER在临床可操作的时间范围内(ICU:第一次抗生素订单前12.2小时[3.2 22.8]和ED: 2.1小时[0.8 4.5])在所有六个队列中提供了早期预警，从而允许识别和优先处理高危脓毒症患者。败血症是宿主对感染的失控反应，导致危及生命的器官功能障碍。大约三分之一的医院死亡可归因于败血症。

虽然存在治疗败血症的有效方案，但早期和可靠地检测这种疾病仍然存在挑战。近年来，医院越来越多地采用电子病历(EHRs)，这推动了基于机器学习的监测工具的发展，用于检测和预测败血症。然而，现有的大多数已发表的败血症预测模型要么基于来自单一医院的数据，要么基于来自同一医疗保健系统的多家医院的数据，而这些医院的护理流程大多是标准化的。

监管机构批准和广泛采用这些系统的三个主要障碍是缺乏跨机构的通用性、高误报率和自动化偏差的风险，其中用户倾向于过度依赖系统输出，而不是主动寻求信息和风险评估。导致算法性能下降(包括虚警率和漏检率增加)的主要因素之一是数据分布的变化(遇到不熟悉的患者)，以及医院工作流程和实践的差异导致的数据混乱程度的变化。此外，最近的一项研究表明，检测离群案例并向用户展示聚焦于离群值的消息，能够更好地检测和纠正人工智能模型潜在的虚假预测。

然而，尽管最近的文献强调了在机器学习算法中包含明确的“使用指示”标签的重要性，但现有的败血症预测算法中没有一个包含用于检测异常值和跨地理和时间域建立模型“使用条件”的内置机制。在这项工作中，我们提出了COMPOSER(脓毒症风险的共形多维预测)，这是一种深度学习模型，旨在预测临床怀疑时间之前4 - 48小时的脓毒症发作。COMPOSER通过一种预测方案，从统计上确定与预定义的表示集合(又名保形集)的一致性，从而提高了泛化性和低误报率，作为一种方法，在未见的预测场景下(包括新的患者群体和不同级别的数据质量和混乱)建立算法的“使用条件”。提议的COMPOSER模型由三个模块组成。

第一个模块利用临床变量和有关测量的时间信息来生成较低维度的表示，这些表示对数据混乱模式和特定于机构的工作流实践具有鲁棒性。第二个模块包括一个共形预测网络，它提供了一个统计框架，用于在部署环境中的风险评估阶段检测非分布(即不确定)样本。两袋数据表示(又名保形集)用于明确量化新的患者水平特征向量与先前在发展队列中看到的脓毒症和非脓毒症特征向量的一致性。

保形预测允许模型检测不满足使用算法的条件的异常值输入，随后将其分配给不确定的预测标签类。补充提供了测试样本被共形预测模块接受或拒绝的场景说明。第三个模块包括一个败血症预测器，它是一个前馈神经网络，然后是一个逻辑回归。