基于可解释性机器学习算法的开颅手术患者重症监护室住院时间预测模型

目的基于三种可解释的机器学习算法建立开颅手术患者重症监护室(Intensive Care Unit,ICU)住院时间是否超过8 d的预测模型(Predictive Model,PM),挖掘影响ICU住院时间的风险因素。方法选择2005—2018年在福建省立医院接受过开颅手术的患者677例,基于机器学习的逻辑回归、随机森林以及梯度下降决策树算法对患者的67个字段建立PM,根据模型评估最优模型,并对其进行解释分析。结果梯度下降决策树模型效果最优,准确率为85%,受试者工作特征曲线下的面积为0.90。结论本文建立的PM具有有效性,可为临床医生提供辅助决策建议,方便提早做出相应干预与决定,减轻患者与医疗机构的负担。

医学知识增强的肿瘤分期多任务学习模型

肿瘤分期是指从病人的电子病历文本中推测肿瘤对应阶段的过程。在电子病历数据中存在类别严重不均衡现象,因此使用深度学习方法进行肿瘤分期具有一定的挑战性。该文提出医学知识增强的多任务学习KEMT(knowledge enhanced multi-task)模型,将肿瘤分期问题视作面向医疗电子病历的文本分类任务,同时引入医生在人工预测肿瘤分期时参考的医学属性,提出基于医学问题的机器阅读理解任务,对上述两种任务进行联合学习。我们与医疗机构合作构建了真实场景下的肿瘤分期的数据集,实验结果显示,KEMT模型可以将医学知识与神经网络结合起来,预测准确率高于传统的文本分类模型。在数据分布不均衡的条件下,在小样本类别上的准确率提升了4.2个百分点,同时模型也具有一定的解释性。