通过多变量时间序列分析和可解释的患者相似性表示,早期检测多药性耐药性

科学领域:

• 计算生物学和生物信息学
• 机器学习在医疗保健中的应用
• 临床信息学是一种临床信息学.

背景情况:

• 多种药物耐药性 (MDR) 是一个严重的全球健康威胁,具有严重的社会经济影响.
• 现有的预测模型缺乏可解释性,阻碍了临床应用.
• 在重症监护中需要可解释的AI (XAI),以更好地管理患者.

研究的目的:

• 开发一种新的可解释的机器学习 (ML) 方法来预测多药性耐药性 (MDR).
• 使用患者相似性表示实现准确的MDR推断.
• 提高识别关键风险因素和患者子组的解释性.

主要方法:

• 模拟患者作为多变量时间序列 (MTS),以捕捉临床进展和相互作用.
• 使用基于MTS的相似度指标 (例如,动态时间扭曲,时间集核) 作为分类模型 (逻辑回归,随机森林,SVM) 的输入.
• 在患者相似性网络上使用基于图形的方法 (光谱聚类,t-SNE) 来提取模式和识别子组.

主要成果:

• 在ICU数据集上的曲线下实现了81%的接收器操作特征区域.
• 通过基于图形的患者相似性,超越现有的ML和深度学习模型.
• 确定了关键的MDR风险因素 (例如,抗生素暴露,侵入性手术) 和有意义的患者群.

结论:

• 患者相似性表示和基于图形的方法对于MDR预测和解释性是有效的.
• 可解释的ML方法提高了预测的准确性,并确定了关键的风险因素.
• 这一框架使得早期检测,有针对性的干预以及在重症监护机构中改善患者分层成为可能.