Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes.
Early Prediction of Acute Kidney Injury in Critical Care Setting Using Clinical Notes.
复制标题
DOI：
10.1109/bibm.2018.8621574
复制
发表时间：
2018-12
期刊：
影响因子：
--
通讯作者：
Luo Y
中科院分区：
文献类型：
--
作者：
Li Y;Yao L;Mao C;Srivastava A;Jiang X;Luo Y
重症患者的急性肾损伤（阿基）与显著的发病率和死亡率相关。开发新的方法来早期识别阿基患者将允许测试新的策略来预防或减少阿基的并发症。我们开发了数据驱动的预测模型来估计新发阿基发作的风险。我们从重症监护病房（ICU）入院后24小时内的临床记录中生成模型，这些临床记录摘自重症监护医学信息市场III（MIMIC-III）。从临床笔记中，我们分别生成了有临床意义的单词和概念表示和嵌入。使用五种监督学习分类器和知识引导的深度学习架构来构建预测模型。最佳配置产生0.779的竞争性AUC。我们的工作表明，临床笔记的自然语言处理可以应用于帮助临床医生识别危重患者在进入ICU时发生阿基的风险。
Acute kidney injury (AKI) in critically ill patients is associated with significant morbidity and mortality. Development of novel methods to identify patients with AKI earlier will allow for testing of novel strategies to prevent or reduce the complications of AKI. We developed data-driven prediction models to estimate the risk of new AKI onset. We generated models from clinical notes within the first 24 hours following intensive care unit (ICU) admission extracted from Medical Information Mart for Intensive Care III (MIMIC-III). From the clinical notes, we generated clinically meaningful word and concept representations and embeddings, respectively. Five supervised learning classifiers and knowledge-guided deep learning architecture were used to construct prediction models. The best configuration yielded a competitive AUC of 0.779. Our work suggests that natural language processing of clinical notes can be applied to assist clinicians in identifying the risk of incident AKI onset in critically ill patients upon admission to the ICU.
登录
查看更多内容
DOI：
10.1186/cc11454
发表时间：
2013-02-04
期刊：
Critical care (London, England)
影响因子：
--
作者：
Kellum JA;Lameire N;KDIGO AKI Guideline Work Group
通讯作者：
KDIGO AKI Guideline Work Group
DOI：
10.1038/ki.2009.188
发表时间：
2009-08-01
期刊：
Kidney international. Supplement
影响因子：
--
作者：
通讯作者：
--
影响因子：
4.1
作者：
Sanchez-Pinto, L. Nelson;Khemani, Robinder G.
通讯作者：
Khemani, Robinder G.
影响因子：
9.8
作者：
Johnson AE;Pollard TJ;Shen L;Lehman LW;Feng M;Ghassemi M;Moody B;Szolovits P;Celi LA;Mark RG
通讯作者：
Mark RG
影响因子：
9.5
作者：
Luo, Yuan;Uzuner, Ozlem;Szolovits, Peter
通讯作者：
Szolovits, Peter