相关实验视频
Updated: Jul 4, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
172
基于变压器模块的早期败血症预测的时间序列驱动模型
Yan Tang1, Yu Zhang2, Jiaxi Li3
1Department of Clinical Laboratory Medicine, Jinniu Maternity and Child Health Hospital of Chengdu, Chengdu, China.
BMC medical research methodology
|January 25, 2024
概括
这项研究引入了先进的CNN-Transformer和LSTM-Transformer模型,用于使用时间序列数据预测早期的败血症. 这些模型显著提高了预测准确度,有助于在重症监护病房及时进行临床干预.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 临界护理医学 临界护理医学
背景情况:
- 败血症是重症监护室 (ICU) 死亡的主要原因.
- 早期检测和干预对于改善患者生存率至关重要.
- 传统方法往往缺乏及时诊断败血症的预测能力.
研究的目的:
- 开发和评估用于早期毒症检测的新型预测模型.
- 利用时间序列患者数据来提高预测准确度.
- 为了比较CNN-Transformer和LSTM-Transformer架构在败血症预测方面的有效性.
主要方法:
- 在败血症诊断前4,8小时和12小时收集的时间序列患者数据.
- 使用了卷积神经网络转换器 (CNN转换器) 和长期短期记忆转换器 (LSTM转换器) 架构.
- 采用SHAP算法用于模型解释性和特征重量可视化.
主要成果:
- 拟议的基于变压器的模型显示了显著的改进 (约. 20%) 超过传统的循环神经网络.
- 实现了高平均性能指标:准确性 (0.964),精度 (0.956),回忆力 (0.967),以及F1得分 (0.959).
- 变压器模型显示出异常的预测能力,特别是在败血症发病前的12小时窗口内.
结论:
- 基于变压器的深度学习模型为早期败血症预测提供了一个有希望的方法.
- 这些模型通过提供可解释和准确的预测来增强临床决策.
- 早期预测有助于及时干预,可能降低ICU中的败血症相关死亡率.
