CLaI:低分辨率生理信号的协作学习和推理 - - 临床事件检测和预测中的验证

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的机器学习
• 关键护理医学 关键护理医学

背景情况:

• 临床数据中的机器学习 (ML) 通常需要高分辨率的数据,大多数重症监护室 (ICU) 无法提供.
• 现有的ML方法与类不平衡作斗争,这是临床数据集中常见的问题.
• 常规收集的,在ICU中低分辨率的生理时间序列数据仍然未能用于高级ML任务.

研究的目的:

• 介绍和验证协作学习和推理 (CLaI),这是一个用于事件检测和预测的新型ML方法.
• 利用多变量生理时间序列的学习潜伏表示,利用患者的相似性.
• 通过基于案例的推理来实现ML的解释性,用于临床事件分析.

主要方法:

• 开发了CLaI,通过从患者的相似性中学习来分析低分辨率的生理时间序列.
• 对预测内高血压 (KidsBrainIT数据集) 和败血症 (MIMIC-IV数据集) 的评估CLaI.
• 将CLaI与基于分类和序列对序列的基准进行比较,包括关于败血症检测,类失衡强度和发作检测的额外实验 (CHB-MIT数据集).

主要成果:

• 通过低分辨率的生理时间序列数据,CLaI有效地检测和预测事件.
• 该方法证明了对阶级不平衡的稳定性,始终实现了竞争性表现.
• 在评估任务中,CLaI获得了最高的F1分数,包括内高血压和败血症预测.

结论:

• CLaI提供了一种用于分析常规收集的ICU数据的新方法,克服了高分辨率数据要求的局限性.
• 该方法成功地利用了患者的相似性,以改善重症监护机构的事件检测和预测.
• CLaI提供了一个强大的,可解释的ML工具,用于重症监护事件分析,增强临床决策.