使用双通道图表注意力网络的医院内临床恶化的多地平线事件检测
Thanh-Cong Do1, Hyung-Jeong Yang1, Soo-Hyung Kim1
1The Department of Artificial Intelligence Convergence, Chonnam National University, Gwangju, South Korea.
International journal of medical informatics
|December 10, 2024
概括
这项研究引入了一种深度学习模型,用于在医院早期检测临床恶化. 双通道图表注意力网络有效预测患者衰退,改善及时干预.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的人工智能
- 临床数据科学 临床数据科学
背景情况:
- 医院中的临床恶化是一个重大的医疗保健挑战,需要迅速干预.
- 早期发现患者衰退对于改善结果和减少医疗保健负担至关重要.
研究的目的:
- 提出一个端到端的深度学习架构,用于早期检测临床恶化事件.
- 开发一个可以插入高维序列数据以提高预测准确度的模型.
主要方法:
- 使用双通道图表注意力网络与多任务学习策略.
- 开发了一种两阶段的方法:预测事件前的"检测"状态,然后预测事件本身.
- 使用任务相关性的联合学习,用于多变量时间序列预测.
主要成果:
- 该模型在两个重症监护室 (ICU) 临床时间序列数据集上展示了竞争性性能.
- 在接收器操作特征曲线 (AUROC) 下面的面积和精度回忆曲线 (AUPRC) 下面的面积方面取得了强的结果.
结论:
- 拟议的双通道图表注意力网络有效地学习多变量时间序列的特征和时间领域的相关性.
- 目标函数解决了多任务学习的挑战,包括学习任务关系和缓解失衡.
- 该框架有助于早期发现医院内恶化事件.
