研究论文

开放式访问

混合推理序列自动编码网络预测术中低氧血症

作者:

汉阳线路接口单元,

迈克尔蒙大拿,

大通（Chase）伦弗罗,

托马斯坎纳梅利、和

陈阳卢作者信息和声明

CIKM’22：第31届ACM信息与知识管理国际会议记录

2022年10月

页1269-1278

https://doi.org/10.1145/3511808.3557420

出版:2022年10月17日出版历史

PDF格式电子阅读器

摘要

我们提出了一个端到端模型，使用流式生理时间序列来预测低氧血症的近期风险，低氧血症是一种罕见但危及生命的疾病，已知会在手术期间对患者造成严重伤害。受低氧血症事件是基于低血氧饱和度（即血氧饱和度）实例的未来序列定义的这一事实的启发，我们提出了混合推理网络（hiNet），该网络对未来的低血氧浓度实例和低氧血症结果进行混合推理。hiNet集成了1）一个联合序列自动编码器，它同时优化了用于标签预测的鉴别解码器，以及2）两个经过训练用于数据重建和预测的辅助解码器，它们无缝地学习捕获从当前状态到未来状态过渡的上下文潜在表示。所有解码器共享一个基于内存的编码器，该编码器有助于捕获患者测量的全局动态。对于一个大型学术医疗中心72081个手术的大型手术队列，我们的模型优于强大的基线，包括最先进的低氧血症预测系统所使用的模型。hiNet能够以临床可接受的报警率实时预测近期低氧血症，因此有望改善临床决策并减轻围手术期护理负担。

工具书类

[1]

Bai，S.、Kolter，J.Z.和Koltun，V.，序列建模中一般卷积和递归网络的经验评估。arXiv预印本arXiv:1803.1271（2018）。

[2]

Ballinger，B.，Hsieh，J.，Singh，A.，Sohoni，N.，Wang，J.、Tison，G.、Marcus，G.，Sanchez，J.和Maguire，C.，Olgin，J.等人。《心底：心血管风险预测的半监督序列学习》。AAAI人工智能会议（2018），第32卷。

[3]

Baytas，I.M.、Xiao，C.、Zhang，X.、Wang，F.、Jain，A.K.和Zhou，J.通过时间感知lstm网络进行患者子类型划分。在ACM SIGKDD知识发现和数据挖掘会议（2017）上，第65-74页。

数字图书馆

[4]

Chen，T.和Guestrin，C.Xgboost：一个可扩展的树木提升系统。在ACM SIGKDD知识发现和数据挖掘会议（2016）中，第785-794页。

数字图书馆

[5]

Dai，A.M.和Le，Q.V.半监督序列学习。神经信息处理系统会议与研讨会28（2015），3079-3087。

[6]

Davis，J.和Goadrich，M.《精确再调用曲线和roc曲线之间的关系》。在机器学习国际会议（2006）上，第233-240页。

数字图书馆

[7]

Dunham，C.M.、Hileman，B.M.、Hutchinson，A.E.、Chance，E.A.和Huang，G.S.围手术期低氧血症常见于全身麻醉期间的水平定位，与主要不良结果相关：一项对连续患者的回顾性研究。BMC麻醉学14，1（2014），1-10。

[8]

Ehrenfeld，J.M.、Funk，L.M.、Van Schalkwyk，J.、Merry，A.F.、Sandberg，W.S.和Gawande，A.手术期间低氧血症的发生率：来自两个机构的证据。加拿大麻醉学杂志57，10（2010），888--897。

[9]

ElMoaqet，H.、Tilbury，D.M.和Ramachandran，S.K.对生理时间序列中的临界水平进行多步预测。IEEE控制论汇刊46，7（2016），1704-1714。

[10]

Erion，G.、Chen，H.、Lundberg，S.M.和Lee，S.-I.麻醉学水平预测低氧血症，仅使用spo2数据进行深度学习。神经信息处理系统研讨会ML4H（2017）。

[11]

Fritz，B.A.、Cui，Z.、Zhang，M.、He，Y.、Chen，Y.，Kronzer，A.、Abdallah，A.B.、King，C.R.和Avidan，M.S.预测术后30天死亡率的深度学习模型。英国麻醉学杂志123，5（2019），688-695。

[12]

Gong，D.，Liu，L.，Le，V.，Saha，B.，Mansour，M.R.，Venkatesh，S.，and Hengel，A.V.D.记忆常态以检测异常：记忆增强型深层自动编码器用于无监督异常检测。在国际计算机视觉会议（2019年）上，第1705-1714页。

[13]

Hendrycks，D.、Lee，K.和Mazeika，M.使用预训练可以提高模型的稳健性和不确定性。国际机器学习会议（2019年）。

[14]

Laffin，A.E.、Kendale，S.M.和Huncke，T.K.，肥胖患者门诊内镜检查期间低氧血症的严重程度和持续时间：一项回顾性队列研究。加拿大麻醉学杂志（2020年）。

[15]

Laptev，N.、Yosinski，J.、Li，L.E.和Smyl，S.。uber的神经网络时间序列极端事件预测。《机器学习国际会议》（2017），第34卷，第1-5页。

[16]

Lea，C.、Flynn，M.D.、Vidal，R.、Reiter，A.和Hager，G.D.动作分割和检测的时间卷积网络。在计算机视觉和模式识别会议（2017年）上，第156-165页。

[17]

Li，D.、Lyons，P.G.、Lu，C.和Kollef，M.Deepalerts:基于深度学习的肿瘤医院病房临床恶化多水平警报。《AAAI人工智能会议（AAAI）人工智能会议记录（2020）》，第34卷，第743-750页。

[18]

Liu，H.，Han，J.和Nie，F.用递归投影嵌入半监督正交图。国际人工智能联合会议（2017），第2308-2314页。

[19]

Liu，H.、Lou，S.S.、Warner，B.C.、Harford，D.R.、Kannamallil，T.和Lu，C.Hipal：使用电子健康记录中的活动日志预测医生职业倦怠的深层框架。ACM SIGKDD知识发现和数据挖掘会议（2022年）。

数字图书馆

[20]

Lou，S.S.、Liu，H.、Warner，B.C.、Harford，D.、Lu，C.和Kannampallil，T.使用临床活动日志预测医生职业倦怠：模型绩效和经验教训。《生物医学信息学杂志》127（2022），104015。

数字图书馆

[21]

Lundberg，S.M.，Nair，B.，Vavilala，M.S.，Horibe，M.，Eisses，M.J.，Adams，T.，Liston，D.E.，Low，D.K.-W.，Newman，S.F.，Kim，J.等人。手术期间预防低氧血症的可解释的机器学习预测。《自然生物医学工程》2，10（2018），749-760。

[22]

Mehta，C.和Mehta、Y.难治性低氧血症的治疗。《心脏麻醉年鉴》19，1（2016），89。

[23]

Meyer，A.、Zverinski，D.、Pfahringer，B.、Kempfert，J.、Kuehne，T.、Sündermann，S.H.、Stamm，C.、Hofmann，T.，Falk，V.和Eickhoff，C.《机器学习用于实时预测危重病护理并发症：一项回顾性研究》。《柳叶刀呼吸医学》6，12（2018），905-914。

[24]

Nguyen，H.、Jang，S.、Ivanov，R.、Bonafide，C.P.、Weimer，J.和Lee，I.在不错过危及生命事件的情况下减少脉搏血氧计假警报。智能健康9（2018），287--296。

[25]

Santoro，A.、Bartunov，S.、Botvinick，M.、Wierstra，D.和Lillicrap，T.使用记忆增强神经网络进行元学习。在国际机器学习会议（2016）上，第1842-1850页。

数字图书馆

[26]

Srivastava，N.、Mansimov，E.和Salakhudinov，R.使用lstms进行视频表征的无监督学习。在国际机器学习会议（2015）上，第843--852页。

数字图书馆

[27]

Sukhbaatar，S.，Weston，J.，Fergus，R.等人，端到端存储器网络。神经信息处理系统会议和研讨会（2015年），第2440-2448页。

[28]

Suresh，H.、Szolovits，P.和Ghassemi，M.使用自动编码器发现患者表型。神经信息处理系统会议和研讨会ML4H（2017）。

[29]

Van Der Maaten，L.使用基于树的算法加速t-sne。《机器学习研究杂志》15，1（2014），3221-3245。

[30]

Wang，Z.，Yan，W.和Oates，T.，用深度神经网络从头开始时间序列分类：一个强大的基线。在国际神经网络联合会议（2017年）上，IEEE，第1578-1585页。

[31]

West，C.P.、Dyrbye，L.N.、Erwin，P.J.和Shanafelt，T.D.《预防和减少医生职业倦怠的干预措施：系统回顾和荟萃分析》。《柳叶刀》38810057（2016），2272-2281。

[32]

世界卫生组织。脉搏血氧仪培训手册，2011年。

[33]

Yu，F.和Koltun，V.通过扩张卷积进行多尺度上下文聚合。arXiv预印本arXiv:1511.07122（2015）。

[34]

Zhou，Y.、Arpit，D.、Nwogu，I.和Govindaraju，V.联合训练对深度自动编码器更好吗？arXiv预印arXiv:1405.1380（2014）。

[35]

Zhu，L.和Laptev，N.对uber的时间序列进行深入而自信的预测。在国际数据挖掘研讨会（2017年）上，第103-110页。

引用人

薛B说A徐Z刘浩沙阿N杨H佩恩·P鲁C辛格A太阳YAkoglu L公司古诺普洛斯D严X库马尔R奥兹坎F叶J(2023)通过分离潜在表征帮助临床决策难以获得的治疗第29届ACM SIGKDD知识发现和数据挖掘会议记录10.1145/3580305.3599774(5360-5371)在线发布日期：2023年8月6日
https://dl.acm.org/doi/10.1145/3580305.3599774

索引术语

混合推理序列自动编码网络预测术中低氧血症
1. 应用计算
  1. 生命与医学
    1. 健康信息学
2. 计算方法
  1. 人工智能
    1. 知识表示和推理
      1. 时间推理

建议

术中低血压的记录和治疗：电子麻醉记录与纸质麻醉记录

在这项研究中，我们检查了在单个手术人群中实施电子麻醉记录文档（AIMS）前后的麻醉记录。这项研究的目的是确定麻醉护理中的任何不一致之处。。。
阅读更多信息
时间敏感性人工神经网络预测糖尿病患者低血糖

1型糖尿病T1DM是一种以患者血液中葡萄糖水平升高为特征的慢性疾病。它会导致严重的并发症，包括肾脏和心脏病、中风和失明。正确对待。。。
阅读更多信息
利用去噪自动编码器对智能手表采集的重构光容积描记信号进行心房颤动检测
摘要
可穿戴设备收集的光体积描记（PPG）信号已被证明在准确检测心房颤动（AF）方面是有效的，前提是这些数据没有运动和噪声伪影（MNA）。以前有很多研究。。。
阅读更多信息

评论

信息和贡献者

问询处

发布时间

封面图片ACM会议

CIKM’22：第31届ACM信息与知识管理国际会议记录

2022年10月

5274页

国际标准图书编号：9781450392365

内政部：10.1145/3511808

总主席：
穆罕默德·哈桑
美国印第安纳波利斯印第安纳大学普渡大学
,
李雄
美国亚特兰大埃默里大学

版权所有©2022所有者/作者。

本作品是根据Creative Commons Attribution-NonCommercial-ShareAlike International 4.0许可证授权的。

赞助商

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2022年10月17日

检查更新

作者标记

限定符

研究文章

资金来源

Fullgraf基金会
华盛顿大学/BJC医疗保健大创意医疗创新奖

会议

CIKM’22

赞助商：

CIKM’22：第31届ACM信息与知识管理国际会议

2022年10月17日至21日

佐治亚州，亚特兰大，美国

接受率

CIKM’22论文接受率621，2257份提交，28%；

8427份提交文件中的总接受率为1861份，占22%

即将召开的会议

CIKM’24

赞助商：
西格尔
西吉尔

第33届ACM信息与知识管理国际会议

2024年10月21日至25日

博伊西，身份证件，美国

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

1
引文总数
查看引文
232
总下载次数

下载量（最近12个月）135
下载次数（最近6周）15

其他指标

查看作者指标

引文

引用人

薛B说A徐Z刘浩沙阿N杨H佩恩·P鲁C辛格A太阳YAkoglu L公司古诺普洛斯D严X库马尔R奥兹坎F叶J(2023)通过分离潜在表征帮助临床决策难以获得的治疗第29届ACM SIGKDD知识发现和数据挖掘会议记录10.1145/3580305.3599774(5360-5371)在线发布日期：2023年8月6日
https://dl.acm.org/doi/10.1145/3580305.3599774

视图选项

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

媒体

数字

其他

桌子