Early prediction of sepsis from time-series clinical data
Loading...
Date
2026
Authors
Речкалова, Анна
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
This study addresses the problem of early sepsis prediction from clinical time series data collected in the intensive care unit. The PhysioNet/Computing in Cardiology Challenge 2019 dataset, comprising 40,336 ICU patients, is used as the experimental basis. Three model architectures were evaluated: LightGBM as a gradient boosting baseline, a Temporal Convolutional Network as a deep learning baseline and a hybrid TCN-LightGBM architecture. MNAR-aware feature engineering is applied. It treats missingness patterns as informative clinical signals. Feature selection is performed independently for each architecture: gain-based importance for LightGBM and permutation importance for TCN. Hyperparameter optimization is conducted via Bayesian search. Model-specific explainability is provided through SHAP attributions for LightGBM and WinTSR for TCN, demonstrating that both models capture clinically meaningful patterns through different representations. LightGBM achieves the highest performance, with a test utility score of 0.381 and AUPRC of 0.116. The hybrid architecture does not improve over the standalone models. A Streamlit demo is also provided for the LightGBM model.
Description
Дана робота розглядає задачу раннього прогнозування сепсису за клінічними часовими рядами, зібраними у відділенні інтенсивної терапії. Для проведення експериментів використовується набір даних PhysioNet/Computing in Cardiology Challenge 2019, що охоплює 40,336 пацієнтів ВІТ. У роботі оцінюються три архітектури моделей: LightGBM як базова модель на основі градієнтного бустингу, темпоральна згорткова мережа (TCN) як базова модель глибокого навчання, а також гібридна архітектура TCN-LightGBM. Застосовується MNAR-орієнтована інженерія ознак, що розглядає патерни пропущених значень як інформативні клінічні сигнали. Відбір ознак виконується окремо для кожної архітектури: на основі важливості за приростом для LightGBM та на основі пермутаційної важливості для TCN. Оптимізація гіперпараметрів проводиться за допомогою байєсівського пошуку. Інтерпретованість моделей забезпечується через SHAP-атрибуції для LightGBM та WinTSR для TCN. Обидва методи виявляють клінічно значущі патерни, хоча й через різні представлення. Найвищу якість прогнозування демонструє LightGBM: тестова utility score становить 0,381, AUPRC – 0,116. Гібридна архітектура не покращує результати порівняно з окремими моделями. Додатково розроблено демонстраційний застосунок на основі Streamlit для моделі LightGBM.
Keywords
sepsis prediction, clinical time series, LightGBM, temporal convolutional network, SHAP, WinTSR, Missing Not At Random, explainability, bachelor's thesis