Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/1843/ESBF-B5UM2H
Tipo: | Dissertação de Mestrado |
Título: | DYNAMIC PREDICTION OF ICU MORTALITYRISK USING DOMAIN ADAPTATION |
Autor(es): | Tiago Henrique Costa Alves |
Primeiro Orientador: | Adriano Alonso Veloso |
Primeiro Coorientador: | Alberto Henrique Frade Laender |
Primeiro membro da banca : | Alberto Henrique Frade Laender |
Segundo membro da banca: | Nivio Ziviani |
Terceiro membro da banca: | Caetano Traina Júnior |
Resumo: | O reconhecimento antecipado de trajetórias de alto risco durante a estadia em uma Unidade de Terapia Intensiva (UTI) é uma das chaves para aumentar a sobrevivência de pacientes. Aprender tais trajetórias a partir de parâmetros fisiológicos e epidemiológicos medidos continuamente durante uma estadia em UTI requer o aprendizado de features temporais que são robustas e discriminativas através de diversas populações de pacientes. Pacientes em populações de UTIs diferentes (ou domínios) podem variar de acordo com a idade, condições e intervenções, e modelos construídos usando dados de pacientes de um domínio de uma UTI particular performam mal em outros domínios, pois as features utilizadas para treinar tais modelos possuem distribuições diferentes entre os grupos. Neste trabalho, nós propomos um modelo profundo capaz de capturar e transferir as features locais e temporais de dados de UTIs compostos por séries temporais multivariadas. Tais features são capturadas de uma forma que o estado do paciente em um determinado tempo dependa do tempo anterior. Isto permite predições dinâmicas e cria um espaço de risco de mortalidade, permitindo uma fácil descrição do risco do paciente em qualquer momento. Um extenso experimento entre UTIs com diversos domínios revelou que nosso modelo supera todos os baselines considerados. Os ganhos de AUC vão de 4% a 8% para predições antecipadas, quando comparados com um representativo do estado da-arte recente para predição de mortalidade em UTI. Nossos experimentos também mostram a importância de aprender modelos que são específicos para cada domínio de UTI. Em particular, modelos para o domínio Cardíaco alcançam valores de AUC tão altos quanto 0.87, mostrando utilidade clínica excelente para predição antecipada de mortalidade. |
Abstract: | Early recognition of risky trajectories during an Intensive Care Unit (ICU) stay is one of the key steps towards improving patient survival. Learning such trajectories from epidemiological and physiological parameters that are continuously measured during an ICU stay requires learning time-series features that are robust and discriminative across diverse patient populations. Patients within different ICU populations (or domains) may vary by age, conditions and interventions, and models built using patient data from a particular ICU domain perform poorly in other domains because the features used to train such models have different distributions across the groups. In this work, we propose a deep model to capture and transfer complex spatial and temporal features from multivariate time-series ICU data. Features are captured in a way that the state of the patient in a certain time depends on the previous state. This enables dynamically predictions and creates a mortality risk space, allowing to easily describe the risk of the patient at a particular time. A comprehensive cross-ICU experiment with diverse domains reveals that our model outperforms all considered baselines. Gains in terms of AUC range from 4% to 8% for early predictions, when compared with a recent stateof-the-art representative for ICU mortality prediction. Our experiments also show the importance of learning models that are specific for each ICU domain. In particular, models for the Cardiac domain achieve AUC numbers as high as 0.87, showing excellent clinical utility for early mortality prediction. |
Assunto: | Computação Mortalidade Aprendizado do computador Análise de domínio temporal |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Instituição: | UFMG |
Tipo de Acesso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/ESBF-B5UM2H |
Data do documento: | 28-Fev-2018 |
Aparece nas coleções: | Dissertações de Mestrado |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tiagohenriquecostaalves.pdf | 587.21 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.