连续时间循环神经网络:在重症监护室预测血糖的概述和基准测试

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 生物医学信息学 生物医学信息学

背景情况:

• 在重症监护室 (ICU) 监测血糖通常涉及不规则的测量,这给传统预测模型带来了挑战.
• 准确的血糖预测对于在重症监护机构有效的患者管理至关重要.

研究的目的:

• 评估持续时间自回归循环神经网络 (CTRNNs) 用于在ICU中预测血糖,采用不规则采样数据.
• 为了比较CTRNN与自回归梯度增强树 (GBT) 和线性模型的性能.

主要方法:

• 对CTRNNs的概述,包括使用神经普通微分方程 (ODE) 或神经流层的隐藏状态的持续演变.
• 使用电子医疗记录和模拟数据对血糖概率预测应用CTRNNs.
• 与GBT (Catboost) 和线性模型对比CTRNN性能,使用连续排名概率得分,无知得分和间隔得分等指标.

主要成果:

• 神经ODE或神经流层的集成通常提高了对不规则测量数据的自回归循环神经网络的性能.
• 某些CTRNN架构的性能被GBT模型 (Catboost) 超越.
• 在关键的概率预测指标上,ODE-LSTM架构实现了与Catboost可比的性能.

结论:

• 包括CTRNNs在内的深度学习方法显示出预测不规则测量的时间序列的潜力,例如在重症监护中的血糖.
• 梯度增强树方法对于对新的方法进行基准测试和在表式数据环境中验证它们的最新状态至关重要.