【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：