Applying Deep Learning Models on Perioperative Electronic Health Records for the Prediction of Postoperative Delirium

Postoperatives Delirium (POD) tritt als Komplikation nach einer Operation auf. Durch die Anwendung von Deep Learning (DL) Verfahren auf klinische Routinedaten, auch Electronic Health Records (EHRs) genannt, können potenziell vulnerable PatientInnen frühzeitig erkannt werden. EHRs zeichnen sich jedoch durch eine schlechte Datenqualität aus, wobei häufig fehlende Werte (Missingness) auftreten. Diese kumulative Dissertation fasst drei Studien zusammen. In zwei Studien werden DL-Modelle zur Vorhersage von POD auf perioperative Daten angewendet. Einerseits werden Multi-Layer Perceptronen (MLPs) trainiert, die auf Grundlage von robusten Aggregaten (z.B. Perzentilen) Vorhersagen treffen. Darüber hinaus werden Long Short-Term Memory (LSTM) und Transformer (TRAN) Modelle direkt auf intraoperativen Zeitreihen angwendet. In der dritten Studie wird eine Markov-Kette aufgebaut, welche die Übergangswahrscheinlichkeiten zwischen sequenziellen Mustern von Fehldaten unter der Markov-Eigenschaft schätzt.In der prä- und postoperativen Phase sind Decision Tree Modelle besser für POD- Vorhersagen geeignet als MLPs oder lineare Modelle. MLPs erziehlen die besten Ergebnisse, wenn sie auf intraoperativen Daten trainiert werden. Eine adaptierte TRAN-Architektur, die intraoperativen Zeitreihen verwendet, kann sich gegen LSTM-, MLP- oder kombinierten Architekturen behaupten. Blutdruckwerte, Analgetika und klinische Scores sind wichtige Prädiktoren. Bei der Imputation realistischer Muster von Missingness können sich komplexe DL-Modelle nicht gegen einfachere lineare Modelle behaupten.