[Paper] 医院患者恶化的早期预警指数

Source: arXiv - 2512.14683v1

概述

本文提出了 Early Warning Index (EWI)，这是一种多模态机器学习系统，通过整合医院电子健康记录（EHR）中的结构化和非结构化数据，持续评估患者出现严重恶化的风险——包括转入 ICU、启动急救响应团队或死亡。通过将临床医生嵌入流程并使用基于 SHAP 的解释，作者将“黑箱”模型转化为实用的分诊仪表板，已在美国一家大型医院投入使用。

关键贡献

• 多模态风险模型，将床旁生命体征、实验室结果、药物医嘱、计划手术以及运营指标（例如病区人数）融合为单一的早期预警评分。
• 人机交互设计：临床医生设定警报阈值并共同解释模型输出，确保系统与实际工作流程保持一致。
• 通过 SHAP 实现可解释性：将每位患者的风险评分拆解为各贡献因素，使预测对医生和管理者透明。
• 可扩展的特征提取，从结构化表格和自由文本临床记录中提取特征，消除手动数据整理的需求。
• 实时部署 于医院仪表盘，将患者分为三层风险等级，当前支持主动护理管理。
• 强大的预测性能：在 18,633 名患者的回顾性队列中（C 统计量≈0.80）表现出色，同时保持可解释性。

方法论

1. 数据摄取 – 管道从电子健康记录（EHR）（生命体征、实验室、药物医嘱）和运营系统（手术计划、床位占用）实时拉取数据。使用轻量级 NLP 分词器处理非结构化笔记，以提取关键概念（例如“呼吸急促”）。
2. 特征工程 – 自动生成时间窗口聚合（例如心率滚动平均）、类别编码（例如手术类型）以及交互项（例如“高入住率 × 术后状态”）。
3. 模型架构 – 训练一个梯度提升决策树（XGBoost）来预测在未来 24 小时内任意三种不良事件的二元标签。模型校准后输出概率，作为 EWI 分数。
4. 人机交互校准 – 临床医生审查验证集，调整将概率映射到三风险层级（低、中、高）的决策阈值，并对假阳性/假阴性提供反馈。
5. 可解释性层 – 为每个预测计算 SHAP 值，突出显示主要临床和运营驱动因素（例如乳酸升高、即将手术、病房入住率高）。这些解释直接显示在仪表盘上。
6. 评估 – 在留出测试集上使用 AUROC（C‑统计量）、精确率‑召回率和校准图进行评估。前瞻性试点测量警报采纳率以及为医生节省的时间。

结果与发现

该模型能够可靠地区分随后需要 ICU 护理或发生快速响应事件的患者，同时 SHAP 解释与临床医生的直觉相符（例如，术后状态、异常实验室指标）。仪表板的三层分层帮助护理团队将早期干预重点放在“高”风险组，减少不必要的警报并提升信任。

实际意义

• 主动分诊 – 医院可以将 EWI 嵌入现有的患者监测仪表板，自动识别高危患者，减轻临床医生手动查阅病历的负担。
• 资源分配 – 通过展示运营驱动因素（例如，病房入住率高），管理员可以调整人员配置或推迟择期手术，以降低系统性风险。
• 改善患者流动 – 及早识别病情恶化可减少意外的 ICU 入院，平稳床位周转，并可能降低再入院率。
• 可解释 AI 的采用 – 基于 SHAP 的用户界面展示了一条在受监管的医疗环境中集成可解释机器学习的可行路径，解决了合规性和临床医生信任的问题。
• 可扩展至其他机构 – 多模态流水线基于标准的 HL7/FHIR 数据流和通用 NLP 构建，能够在使用不同 EHR 供应商的医院之间迁移。

限制与未来工作

• Single‑site validation – 结果基于一家大型美国医院的数据；需要在不同健康系统中进行外部验证，以确认其普适性。
• Temporal drift – 随着临床方案或患者群体的变化，模型性能可能下降；需要持续监测并定期重新训练。
• Unstructured data depth – 当前的 NLP 组件仅提取高级概念；更丰富的语言模型可以捕捉更细微的临床细节。
• Alert fatigue risk – 虽然分层警报降低了噪声，但最佳阈值平衡可能因科室而异；未来工作将探索自适应、科室特定的阈值。
• Integration with downstream actions – 本研究止于风险分层；将 EWI 警报与自动化护理路径（如医嘱集、快速响应团队激活）关联是下一步的合理方向。

作者

• Dimitris Bertsimas
• Yu Ma
• Kimberly Villalobos Carballo
• Gagan Singh
• Michal Laskowski
• Jeff Mather
• Dan Kombert
• Howard Haronian

论文信息

• arXiv ID: 2512.14683v1
• 分类: cs.LG
• 出版日期: 2025年12月16日
• PDF: 下载 PDF