【文献分享】基于LSTM的危重病人状态预测

文献来源：

1. Denise Bandeira da Silva, Diogo Schmidt, Cristiano André da Costa, Rodrigo da Rosa Righi, Björn Eskofier, DeepSigns: A predictive model based on Deep Learning for the early detection of patient health deterioration, Expert Systems with Applications, Volume 165, 2021, 113905, ISSN 0957-4174. 原文网站链接.

目录

引言与摘要解读

背景与预备知识

模型的提出与架构

模型的实现

数据的选择

数据预处理

模型训练与评估

总结

代码

引言与摘要解读

危重病人早期诊断依靠对不同医学变量的观测，如生命体征、实验室化验结果等等。重症病人在病情恶化之前往往有生命体征的变化，而检测这些变化对于诊断结果的预测十分重要，进而能够在第一时间开始患者护理工作。能够对患者后续健康状况预测的指标就被称为预后指标。

那我们容易知道，预后指标数量多，数据量很大，怎么办呢？

近年来，随着网络的发展和进步，使用电子化的手段对健康信息进行记录会非常方便，目前最广泛的应用就是：电子健康记录(Electronic Health Records)。这个记录的应用使得患者的相关数据能够方便使用，进而可以通过机器学习等方法进行信息抽提，从而支持医疗决策。

本篇文献就是要建立一个模型，能够预测患者病情，以便及时开展治疗工作。

正如题目所言，本文基于深度学习、递归神经网络以及长短期记忆神经网络，以期建立预测患者生命体征、并通过预后指标评估患者健康状况的模型。据文献所说，预测的准确性>80%！

背景与预备知识

在进行进一步的探究之前，我们需要以下预备知识：

• 临床决策支持系统(Clinical Decision Support Systems, CDSS)：一般指凡能对临床决策提供支持的计算机系统，这个系统充分运用可供利用的、合适的计算机技术，针对半结构化或非结构化医学问题，通过人机交互方式改善和提高决策效率的系统。

  • 作用：识别患者健康风险情况，及时提醒医疗团队采取行动

  • 举例：脓毒症黄金时间

• 电子健康记录(Electronic Health Records, EHR)：可以理解为患者的电子版病历本，包含患者的全方位医疗记录，利用其中的数据可以进行医疗评估等等。

• 预后指标(Prognostic indexes)：通过收集患者的健康状况以及特定生理指标，进行推断和计算，最终得出一个判断依据（通常是一个数字），这个依据就能够对患者病情进行评估。

  • 常见的预后指标：序贯器官衰竭评估评分(Sequential Organ Failure Assessment Score, SOFA)、早期预警评分(Early Warning Score, EWS)、简化急性生理学评分(Simplified Acute Physiology Score Ⅱ)、急性生理学与慢性健康评估Ⅱ(Acute Physiology And Chronic Health Evaluation, APACHE II)

模型的提出与架构

文献根据传统的检测住院患者恶化的模型，使用LSTM网络预测生命体征，并计算预后指数，结合CDSS预测患者的病情。其模型如下图所示：

 DeepSigns模型致力于通过检测到的患者生命体征，预测其后续的生命体征，结合预后指标的计算，从而得到患者的病情情况。

值得一提的是，本文采取的预后指标是上述提到的APACHE II，下图展示了APACHE II接受的生命体征和化验结果的输入：

简而言之：APACHE分数=生理指标得分(A)+年龄得分(B)+手术得分(C)

接下来，我们将要了解DeepSigns模型的架构。如下图所示：

 当患者到达医院，进行体检，其数据将会存储在医院的EHR中。EHR中的数据就可以解释为时间序列，将其作为LSTM神经网络的输入，进行预测，得到患者的生命体征预测值，并使用预后指标进行计算评分，预测患者的健康状况。

LSTM网络的预测模型如下，显示了LSTM网络的输入及其最后输出的预测属性，本质上就是选择一个变量作为待预测输出变量，剩余变量作为输入变量，进行预测。

最后，基于DeepSigns模型的决策系统流程如下：

 

模型的实现

数据的选择

文献选取的数据来自MIMIC-III数据库，其记录了来自2001~2012年间在Beth Israel Deaconess医疗中心成人ICU病房的约58,000例患者的EHR数据。但是由于笔者在寻找其数据的过程中，发现需要注册申请才能获取数据，所以可以采用MIMIC数据库介绍网站（见下）中给出的Demo数据：

MIMIC数据库介绍：MIMIC

MIMIC-III数据Demo：MIMIC-III Clinical Database Demo v1.4，选择CHARTEVENTS.csv文件

数据预处理

由于EHR可以解释为时间序列数据，那么我们就需要从时间的角度组织数据。文献保留了就诊人编号hadm_id，就诊时间charttime，检查项目编号itemid，检查结果数值valuenum以及检查数值单位valueuom，如下图示例：

之后，我们需要按照一个固定的时间窗口(Window)划分数据集，从而成功创建时间序列。那么如何选择时间窗口呢？

试想一下，如果处理三个小时内持续监测的数据，但是每30min取一次，那么只会产生六个样本；如果监测时间达到24h，那么样本数也只有48个。仿佛越小的时间窗口越好，但是如果时间窗口特别小，样本量就会激增，对模型的训练时间复杂度和空间复杂度也会提高，不划算。

文献作者与专业的医生进行了讨论，决定尝试1、5、10、15、30min。

文献给出了在不同样本数下（不同住院患者数量），不同时间窗口下，APACHE II的预测准确度比较（左）以及报警正确准确度比较（右）：

可以看到，目前1min的时间窗口确实是最佳选项，这也符合其他文献的支撑。

所以作为示例，文献以1min的时间窗口，划分了数据集，并对单位时间窗口内的数据求取平均值。以下是100006号患者的时间序列：

接着，作为数据预处理，一定要对缺失值进行插补。那么问题又来了，缺失值插补什么呢？

据其他文献支持，生命体征的缺失值一般使用参考值、0值、-1值或-100值进行插补。文献对此进行了测试，以预测的每个生命体征的MSE为标准：

可以看到，以生命体征参考值作为缺失值的插值效果最好，这个参考值其实就是APACHE II给出生命体征范围的中位数。

最后，我们需要确定数据集的大小。回想上述在选择时间窗口的时候画的曲线图，可以发现，当数据量大于1000后，其实预测的准确性没有什么变化了。文献绘制了不同数据集下各项指标的预测准确率，如下所示；右图展示了左图排名前10的数据集大小和时间窗口组合：

可以看到，当数据集为2500，时间窗口为1min的时候，准确率最高。可惜的是，其训练时间长达22h。试想一下，当模型在训练的时候，还不断有新的患者被送往医院，如果考虑22h的训练时长，对病人是不利的。所以这也是为什么文献选择了样本量1000，时间窗口为15min。

模型训练与评估

我们需要将原数据按照6:1:3的比例划分，如下左图：

模型的训练过程为：已知病人t-1之前所有历史数据，一个新的t-1的住院病人数据，之后预测生命体征，计算预后指数，并将其与使用t时刻生命体征计算的预后指数进行对比、验证。（如上右图）

LSTM的初始超参数配置为：

 文献后续对神经元的数量和epoch数目进行调参，并将LSTM与之前文献的OLS（最小二乘法）方法进行了对比，证明了DeepSigns的有效性，如下图所示：

最后，文献采用最佳的50个神经元、50个epoch，结合1000样本量，15min时间窗口，对LSTM圣经网络进行了训练，下表展示了每个属性的MSE，作为评估：

 

 

总结

1. 本文提出了一种模型，用于提前诊断患者健康状况的恶化可能，以便提前开始治疗。

2. 使用了基于LSTM神经网络的低MSE历史数据预测生命体征，并在计算预后指标中有效应用。

3. 很多健康判断是基于当下生命体征指标，而本文模型基于历史测量数据，更为准确

代码

文献所发布的github代码：GitHub - diogoschmidt/deepsigns