Granger Causal Chain Discovery for Sepsis-Associated Derangements via Continuous-Time Hawkes Processes
利用连续时间 Hawkes 过程发现脓毒症相关异常的格兰杰因果链AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究连续时间事件过程中的时间依赖与格兰杰关系，因此归入时间序列。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用连续时间 Hawkes 过程发现脓毒症相关异常的格兰杰因果链
- 研究问题
- 研究如何从电子病历中的多类临床事件恢复时间相互作用，并识别发生在脓毒症之前、具有临床可解释性的事件链。
- 方法与思路
- 作者将线性多元 Hawkes 过程与 ReLU 链接函数结合，以容纳激发和抑制作用，并用两阶段梯度方法求取代理似然估计。
- 材料陈述的贡献
- 摘要称，方法可恢复包含正负作用的格兰杰因果图，模拟展示其有效性，医院数据应用识别出若干先于脓毒症的可解释链条。
- 阅读关注点
- 应核对事件编码、强度函数约束、代理似然与目标似然的关系，以及格兰杰关系的定义、估计稳定性和临床解释依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；格兰杰关系不能直接解释为干预因果效应，摘要未说明混杂处理条件。
原文摘要
Modern health care systems are conducting continuous, automated surveillance of the electronic medical record (EMR) to identify adverse events with increasing frequency; however, many events such as sepsis do not have elucidated prodromes (i.e., event chains) that can be used to identify and intercept the adverse event early in its course. Clinically relevant and interpretable results require a framework that can (i) infer temporal interactions across multiple patient features found in EMR data (e.g., Labs, vital signs, etc.) and (ii) identify patterns that precede and are specific to an impending adverse event (e.g., sepsis). In this work, we propose a linear multivariate Hawkes process model, coupled with ReLU link function, to recover a Granger Causal (GC) graph with both exciting and inhibiting effects. We develop a scalable two-phase gradient-based method to obtain a maximum surrogate-likelihood estimator, which is shown to be effective via extensive numerical simulation. Our method is subsequently extended to a data set of patients admitted to Grady hospital system in Atlanta, GA, USA, where the estimated GC graph identifies several highly interpretable GC chains that precede sepsis. The code is available at \url{https://github.com/SongWei-GT/two-phase-MHP}.