LSTM案例——动态和可解释的ICU死亡风险预测

一、简介：

        该科研项目整合了2011年至2016年期间，某地首都地区四个icu住院患者的电子健康记录的静态数据和生理时间序列数据，通过LSTM算法对建立动态风险预测模型，以1h的时间分辨率训练一个递归神经网络。使用20%的训练数据集的holdout方法对模型进行内部验证，并使用丹麦第五医院以前看不见的数据进行外部验证。以Matthews相关系数（MCC）和接收机工作特性曲线下面积（AUROC）为指标，采用1000个替换样本的bootstrapping构建95%的CIs。将Shapley加性解释算法应用到预测模型中，得到驱动患者特定预测的特征解释，并分析模型中44个特征的贡献，并与原始SAPS-III模型中的变量进行比较。

                                 

二、话不多说上架构：

         

                             静态变量 + 动态特征               LSTM时序算法建模       SHAP模型解释

三、特征选取（静态特征 + 动态特征）

1、 SAPS III 模型中使用的特征

       SAPS III（急性生理学评分）中包括： ICU入院前的患者特征、入院类型和ICU第一小时的生理紊乱标志。这些变量是静态信息和动态信息的混合。

2、论文模型中使用的特征

      静态信息：基线资料（如人口统计和诊断）

      动态特征：每日获得的信息（如实验室值）和高采样率（如监测设备）获得的数据。

四、数据整合

连续变量被聚合为1<