对于不规则的多变量时间序列的可解释时间推理. 一个案例研究,用于早期预测多重药物耐药性

科学领域:

• 人工智能的人工智能
• 医疗保健信息学 医疗保健信息学
• 临床预测模型临床预测模型

背景情况:

• 多变量时间序列 (MTS) 数据在医疗保健中存在挑战,原因是不规则性和时间依赖性.
• 现有的"MTS-TS"模型往往缺乏临床解释性,阻碍了采用.

研究的目的:

• 为"MTS-TS"架构引入新的可解释的人工智能 (XAI) 方法.
• 为了能够跟踪患者的进化,并确定不良结果的关键变量.
• 评估关于多药性耐药性 (MDR) 和循环衰竭预测的框架.

主要方法:

• 开发了不规则的时间SHapley添加式扩展 (IT-SHAP) 用于后期分析.
• 实现了Hadamard注意力,用于内在时间依赖性捕获.
• 使用因果条件相互信息来预先选择特征.

主要成果:

• 使用哈达马德注意的GRU实现了MDR预测的高性能 (ROC-AUC=0.783).
• 在循环衰竭预测方面,LSTM表现优越 (ROC-AUC=0.9970).
• IT-SHAP确定了早期抗生素使用和细菌培养为关键风险因素,并得到临床医生的验证.

结论:

• 拟议的框架在"MTS-TS"模型中提供了时间可解释性.
• 临床医生可以追踪疾病的发展轨迹,并了解每个时间阶段的可变贡献.
• 整合到电子健康记录系统可以改善早期干预,抗菌药物管理和感染控制.