基于电子病历数据的多粒度个性化静脉血栓风险评估模型的构建

Venous thromboembolism (VTE) is a typical iatrogenic complication in inpatients and a common preventable cause of iatrogenic death. Many studies have tried to develop and validate VTE-related risk assessment model (RAM), such as Caprini RAM, Geneva risk score and so on, to help physicians fast recognize high-risk patients.Most of the RAMs using simple scoring methods based on patients’ exposure factors and susceptibility factors to evaluate the risk of VTE. However, due to the limited number of factors used in RAM, it is impossible to provide a more accurate risk assessment, which limits the further use of RAM. To solve the problem, we propose to develop a new predictive learning algorithm based on electronic medical record (EMR) data, build a prediction framework according to different grain density of patient data, and validate the model in the real clinical scenario. We will first build the basic model based on the whole patient population; build medium-grain density model after implementing the mixed-parameter expectation maximization learning algorithm; build fine-grain density model after implementing patient similarity stacking algorithm based on heterogeneous patient data. Finally, we conduct diagnostic accuracy studies to validate our model in real settings.

静脉血栓栓塞（VTE）是院内患者极易发生的典型医源性并发症，也是可被预防的常见死因。各种研究已经开始了VTE相关风险评估模型（RAM）的开发与临床验证，例如Caprini RAM、Geneva风险评分等，以帮助临床医师快速识别高风险患者。这些RAM为了方便临床医师的使用，大多使用简易计分方式，根据患者暴露因素和易感因素，对患者风险进行分类。但由于这些RAM依赖的预测因子数量有限，无法进行更精确风险评估，限制了临床上的进一步应用。针对这一问题，本研究将基于电子病历（EMR）数据，提出新型的有效的预测学习学习算法，构建多个患者数据粒度上静脉血栓风险评估框架，并在真实的临床应用场景中落地测试。我们首先将对全患者群体进行基础粗粒度模型构建；利用混合模型参数的期望最大化学习算法构建中粒度模型；在基于异构患者数据的患者相似性度量学习的模型堆叠算法构建后实现细粒度模型;最后通过诊断准确性研究的方式验证。

静脉血栓栓塞（VTE）是院内患者极易发生的典型医源性并发症，也是可被预防的常见死因。各种研究已经开始了VTE相关风险评估模型的开发与临床验证。目前，大量研究表明，利用人工智能技术进行数据驱动的机器学习模型构建，能够有效提升院内VTE风险评估效果。.本研究原有的目的是，基于电子病历数据，提出新型的预测学习算法，构建多个粒度水平的VTE风险评估框架，并进行临床验证。本项目进行了三个方面的研究。（1）从多任务学习的角度出发构建中粒度预测模型，开发了分层建模、多任务树模型等新型预测算法或建模策略，并研究在多科室水平上VTE风险评估的预测效果。（2）针对于个体水平的细粒度预测建模问题，开发了基于检索策略的树模型，研究表明该算法能够从相似病例中提取有效的交互信息，以提升预测效果。（3）选取入院场景进行机器学习模型的临床验证，结果表明机器学习模型相比于传统Caprini量表具有更有效的风险评估效果。.受本基金资助，本项目发表了二篇英文期刊论文和一篇英文会议论文，以及一篇在审稿的英文期刊论文：（1）设计开发了分层建模策略，并验证在多科室VTE风险评估效果。（2）设计并改进了多任务梯度提升树算法，并验证该变种算法在多科室VTE风险评估效果。（3）设计并开发了基于检索的梯度提升树算法，以构建细粒度个性化预测模型，并在VTE风险预测任务以及其他公共数据集上进行验证。（4）设计了一项回顾性临床研究，对入院VTE风险评估进行机器学习模型开发和验证。本研究的各项成果在机器学习应用和VTE研究领域，均有重要的科学研究价值，并且具有较强的临床应用潜力。