基于基于注意力的模型的级联微调的实时患者监测的多变量多地平线时间序列预测
Hager Saleh1, Shaker El-Sappagh2, Michael McCann3
1Insight Research Ireland Centre for Data Analytics, School of Engineering, University of Galway, University Road, Galway, H91 TK33, Ireland; Atlantic Technological University, Letterkenny, Donegal, Ireland; Faculty of Computers and Artificial Intelligence, Hurghada University, Hurghada, Egypt.
Computers in biology and medicine
|June 11, 2025
概括
这项研究介绍了StreamHealth Multi-Horizon AI,这是一种用于实时预测生命体征的AI框架,例如ICU中的血液氧和呼吸速率. 时间融合变压器模型显示了主动患者监测的卓越性能.
科学领域:
- 医疗保健中的人工智能
- 生物医学信号处理
- 时间序列分析 时间序列分析
背景情况:
- 在重症监护室 (ICU) 中对关键生理指标的实时预测对于及时的临床决策和干预至关重要.
- 现有的方法可能缺乏复杂,多变体的患者数据所需的准确性或通用性.
研究的目的:
- 引入StreamHealth多地平线AI,这是一个用于多变量,多地平线时间序列预测生命体征 (SpO2,RR) 的新框架.
- 评估基于注意力的模型的性能,特别是时间融合变压器 (TFT),与经典的深度学习架构相比.
- 为了证明实时部署管道的临床适用性.
主要方法:
- 利用时间融合变压器 (TFT) 和时间卷积网络 (TCN) 进行时间序列预测.
- 使用MIMIC-III数据对LSTM,GRU,Bi-LSTM,Bi-GRU,CNN和Seq2Seq模型进行基准TFT.
- 实施了级联微调策略,以提高模型的通用性.
- 集成Apache Kafka和Apache Flink,用于模拟实时流媒体基础设施.
主要成果:
- 在单变量和多变量预测任务中,TFT模型始终优于基线模型.
- TFT实现了较低的根平均平方误差 (RMSE) 和平均绝对误差 (MAE) 值.
- 级联微调策略提高了对未见的患者个人资料的概括性.
- 模拟的流媒体管道成功实现了持续的预测和可视化.
结论:
- StreamHealth多地平线人工智能,由TFT提供动力,具有级联微调,为多地平线生命体征预测提供了强大的解决方案.
- 该框架显示了积极主动监测ICU患者和早期检测恶化的巨大潜力.
- 综合实时部署管道验证了系统的临床相关性和适用性.
