SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing

败血症是美国住院死亡的主要原因。早期预测和诊断可以显著提高败血症患者的生存率。现有的预测模型通常是在高质量数据上训练的，缺少信息很少，而在现实世界的临床场景中（特别是在入院的前几个小时），缺失值普遍存在，这会导致预测模型的准确性显著降低和不确定性增加。处理缺失值的常见方法是插补，即用观察到的数据估计不可用的变量。插补结果的不确定性可以传播到败血症预测输出中，这在现有的败血症预测或不确定性量化研究中尚未得到研究。在本研究中，我们首先将这种传播的不确定性定义为预测输出的方差，然后引入不确定性传播方法来量化传播的不确定性。此外，对于由于观察有限而低信心的潜在高风险患者，我们提出了一种强大的主动感知算法，通过积极建议临床医生观察最具信息量的变量来增加信心。我们在公开数据（即MIMIC-III和AmsterdamUMCdb）和The Ohio State University Wexner Medical Center（OSUWMC）的专有数据中验证了所提出的模型。实验结果表明，在入院初期，传播的不确定性是主导因素，而所提出的算法优于最先进的主动感知方法。最后，我们基于预训练模型实现了一个SepsisLab系统，用于早期预测和主动感知的败血症诊断。临床医生和潜在的败血症患者可以从该系统中受益。

如何在存在缺失值的情况下提高早期脓毒症预测和诊断的准确性和可靠性？

使用不确定性传播方法来量化缺失值带来的不确定性，并提出了一个鲁棒的主动感知算法来增加对潜在高风险患者的信心。

论文在公开数据集和专有数据集上进行了实验验证，提出的方法在早期脓毒症预测和诊断方面表现出色。此外，提出的主动感知算法优于现有的主动感知方法。

最近的相关研究包括：《Early Prediction of Sepsis from Clinical Data》、《A Deep Learning Approach to Predicting Sepsis Using Electronic Health Record Data》等。