常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

Feb, 2024

常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals

Hollan Haule, Ian Piper, Patricia Jones, Tsz-Yan Milly Lo, Javier Escudero

TL;DR在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

Abstract

In intensive care units (ICU), the abundance of multivariate time series presents an opportunity for machine learning (ML) to enhance patient phenotyping. In contrast to previous research focused on electronic he

intensive care units machine learning patient phenotyping physiological time series data intracranial hypertension detection

发现论文，激发创造

深度学习关注 ICU 中的风险

利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

Jul, 2017

使用长短期记忆网络预测 ICU 病死率

实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。

Aug, 2023

医学时间序列和笔记的多模态预训练

在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型，突显其提升重症监护室数据分析能力。

Dec, 2023

知识图谱表示用于强化重症监护时间序列预测

通过将医学领域的知识图谱与重症监护病房的数据进行整合，结合重要体征和临床报告，提高临床决策建模的性能，特别是在数据缺失时。同时包括一个可解释性组件，以了解知识图谱节点对预测的影响。

Nov, 2023

使用 LSTM 循环神经网络进行诊断学习

本文探讨采用长短期记忆（LSTM）深度神经网络来挖掘多元时间序列的临床医疗数据，特别是在重症监护病房（ICU）中的应用，通过将 128 个诊断结果与 13 个临床测试指标进行分类建模，获得了优于其他多层感知机的分类效果。

Nov, 2015

在线临床时间序列多模态对比学习

利用先进的自监督多模式对比学习技术，注重临床笔记和时间序列，我们引入了一种损失函数：多模式邻域对比损失 (MM-NCL)，展示了我们方法在线预测任务中出色的线性验证和零样本表现。

Mar, 2024

深度网络在临床干预预测和理解中的应用

本文旨在利用所有可用的 ICU 数据（生命体征、实验室数据、病历及患者基本信息）并关注学习数据的丰富表示，通过使用递归神经网络 LSTM 和卷积神经网络 CNN 分别预测侵入性干预的发生和停止。该预测支持 “实时” 表现，并在六小时内进行以支持临床可操作的规划，同时通过特征遮盖等方法提高模型的解释性，最终超过对照组并提供模型学习洞见。

May, 2017

使用图表示学习预测患者结果

该研究提出了一种将 LSTM 和图神经网络结合使用的模型，通过利用救治过程中患者之间的关联信息，实现了对患者预后的精确预测，表现出比 LSTM 单独使用更好的效果。

Jan, 2021

ICU 中不同患者人群的多任务学习任务

提出了一个两步的框架，通过序列自动编码器无监督地学习相关病人子群并在多任务框架中对分开的病人群体进行预测，以提高住院死亡率的预测性能。需要更细粒度的绩效评估来处理异质人口。

Jun, 2018

基于真实世界生命体征数据的端到端多元时间序列聚类算法识别 ICU 患者亚组

本研究使用 MIMIC-IV 数据库作为数据来源，研究了包括温度、心率、平均血压、呼吸率和 SpO2 等动态的、高频的、多变量的时间序列生命体征数据，并比较了各种聚类算法，选择了一种名为 Time2Feat 的端到端多变量时间序列聚类系统与 K-Means 相结合的方法作为最有效的聚类方法，对 2008 年至 2016 年间入住的 8,080 名患者的数据进行了模型开发和对 2017 年至 2019 年间入住的 2,038 名患者的模型验证。通过分析不同类别之间的临床死亡预后差异，发现不同亚组之间的 ICU 死亡和住院死亡的风险不同。此外，该研究可视化了生命体征变化的轨迹。本研究的结果为多变量时间序列聚类系统在 ICU 中患者管理和监测中的潜在应用提供了有价值的见解。

Jun, 2023