基于器官间相关性的多任务深度学习模型,用于动态预测ICU患者多器官系统的功能恶化

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的人工智能
• 计算生物学 计算生物学

背景情况:

• 功能恶化 (FD) 是ICU患者的主要死亡原因.
• 现有的多任务 (MT) 模型难以同时预测多个器官系统的FD.

研究的目的:

• 提出和评估一种新的MT深度学习模型,即基于器官间相关性的多任务模型 (IOC-MT).
• 通过捕捉器官间的相关性来动态预测六个器官系统中的FD.

主要方法:

• 开发了IOC-MT模型,将图表注意网络 (GAT) 纳入器官间相关性和自适应调整机制 (AAM).
• 在三个公共ICU数据库上训练并验证了该模型,并将其与五个单任务 (ST) 基线模型进行比较.
• 使用AUROC,AUPRC和校准曲线评估模型性能,并进行废弃研究以验证组件贡献.

主要成果:

• 国际奥委会MT表现出与先进的ST模型 (LSTM-ST,GRU-ST,变压器-ST) 相当的区别和校准,并且明显优于更简单的ST模型 (GRU-ST,RF-ST).
• 废弃性研究证实,GAT,AAM和缺失的指标提高了模型的整体性能.
• 该模型的器官间相关性分析和预测调整被发现是直观的,可以理解的,并且在生物学上是合理的.

结论:

• 国际奥委会-MT模型显示显著的承诺作为一个有效的工具,用于动态预测功能恶化在ICU设置内的多个器官系统.
• 该模型利用器官间相关性的能力为提高预测准确性和理解复杂的生理相互作用提供了一种新的方法.