通过聚类多变量临床时间序列数据来确定TBI生理状态
Hamid Ghaderi1, Brandon Foreman2, Amin Nayebi1
1College of Engineering, University of Arizona, Tucson, AZ, USA.
AMIA ... Annual Symposium proceedings. AMIA Symposium
|January 15, 2024
概括
这项研究引入了SLAC-Time,这是一种用于分析患者生理数据的新型自我监督算法. 它可以识别不同的创伤性脑损伤 (TBI) 状态,而无需数据归算,从而提高了临床相关性.
科学领域:
- 生物医学信息学 生物医学信息学
- 数据科学数据科学数据科学
- 临床研究 临床研究
背景情况:
- 从多变量时间序列数据中准确地确定缺失值的生理状态,对于诸如创伤性脑损伤 (TBI) 等急性疾病至关重要.
- 使用归算或聚合的传统方法可能导致信息丢失和偏见的临床解释.
- 需要新的方法来维护数据完整性,并提供有意义的患者状态表示.
研究的目的:
- 引入和评估SLAC-Time算法,用于分析重症监护中的多变量时间序列数据.
- 通过基于自我监督的集群方法,识别创伤性脑损伤 (TBI) 患者的不同生理状态.
- 评估临床事件和干预措施对患者状态过渡的影响.
主要方法:
- 应用SLAC-Time算法,一种基于自我监督的方法,避免数据归算或聚合.
- 大型研究数据集的聚类,以识别不同的生理状态.
- 使用集群评估指标和临床领域专家输入确定状态的验证.
主要成果:
- 确定与创伤性脑损伤 (TBI) 相关的三个不同的生理状态.
- 对每个已识别的TBI状态的特定特征配置文件的表征.
- 发现临床事件,干预和患者状态过渡之间的关系.
结论:
- SLAC-Time提供了一种强大的方法来分析复杂的生理时间序列数据,保持数据完整性.
- 鉴定到的TBI状态为患者的病情及其演变提供了更细致的理解.
- 这种方法促进了更好的临床决策和针对急性疾病的个性化治疗策略.
