Predictive Temporal Decision Modeling with Dynamic Bayesian Networks for Early Clinical Diagnosis

Abstract

Eine frühzeitige Erkennung von Sepsis ist entscheidend, um rechtzeitige medizinische Maßnahmen zu gewährleisten und dem Patienten eine schnelle Genesung zu ermöglichen. Diese Arbeit untersucht, ob ein dynamisches Bayes-Netz (DBN) Sepsis früher erkennen kann als der etablierte Sequential Organ Failure Assessment Score (SOFA), und ob das Ausmaß signifikant ist. Zusätzlich wird ein Value-of-Information Ansatz (VoI) angewandt, um den erwarteten Informationsgewinn jeder Laboruntersuchung zu berechnen und zu priorisieren. Anschließend wird geprüft, ob sich durch diese Strategie die Sepsiserkennung im DBN weiter beschleunigen und die diagnostische Unsicherheit verringern lässt. Dafür wurde eine optimale DBN-Struktur mit Hilfe eines Hill-Climbing Verfahrens erstellt. Diese berücksichtigt wichtige medizinische Einschränkungen, um klinische Plausibilität zu gewährleisten. Die Parametrisierung erfolgte anhand von Daten von Intensivstationen aus der MIMIC-IV-Datenbank. Die Sepsisvorhersagen des DBN wurden anschließend mit denen des SOFA-Scores verglichen. Der VoI-Ansatz priorisiert Laborparameter nach ihrem Beitrag zur Reduktion diagnostischer Unsicherheit und erstellt damit für jede Patientin und jeden Patienten eine optimierte Messzeitlinie.Die Ergbnisse dieser Arbeit zeigen, dass der DBN Ansatz eine Sepsis Diagnose durchschnittlich 4,2 Stunden früher stellt als der SOFA-Score. Die Anwendung der VoI Labor- priorisierungsmethode verbessert diesen zeitlichen Vorsprung auf 7,1 Stunden. Glecihzeitig nimmt die diagnostische Unsicherheit signifikant ab. Die Arbeit unterstreicht damit das Potenzial eines DBN und VoI Ansatzes für eine frühere und zuverlässigere Sepsisdiagnose.

Early detection of sepsis is critical for effective clinical intervention and improving patient outcomes. This thesis investigates whether a Dynamic Bayesian Network (DBN) can identify sepsis earlier than the traditional Sequential Organ Failure Assessment (SOFA) score and analyses the potential lead time of such a new method. Additionally, a Value of Information (VoI) approach is implemented for ordering laboratory tests. This method is then evaluated within the DBN framework and weather it can further accelerate sepsis detection and reduce diagnostic uncertainty. To address these research questions, an optimal DBN structure is constructed with the help of data driven hill climbing search algorithm, which incorporates some medicaldomain constraints to ensure clinical plausibility. The DBN parameters are then trained on conditional probability distributions from patient data in intensive care units sourced from the MIMIC-IV database. The models sepsis predictions are compared to the SOFA scoring method. Furthermore, the VoI approach systematically orders laboratory tests by selecting those measurements providing the greatest reduction in diagnostic uncertainty, thus constructing an alternative optimized timeline for each patient. The results demonstrate that the DBN identifies sepsis significantly earlier than the SOFA score, achieving a significant lead time advantage of approximately 4.2 hours. Incorporating the VoI-guided strategy further improves the lead time of predictions, increasing it to approximately 7.1 hours, while minimizing diagnostic uncertainty. These findings show a clinical potential of integrating DBNs and VoI methods for earlier sepsis diagnosis.