时间序列伯特用于败血症检测:通过生命体征嵌入揭示患者轨迹

科学领域:

• 生物医学信息学 生物医学信息学
• 人工智能在医学中的应用
• 临床数据科学 临床数据科学

背景情况:

• 败血症的检测仍然是一个挑战,需要及时准确地分析复杂的患者数据.
• 传统方法可能无法完全捕捉出血栓炎的动态生理变化.

研究的目的:

• 调整BERT模型用于分析生命体征时间序列数据以检测败血症.
• 评估模型识别不同患者集群的能力,并区分败血症和非败血症病例.
• 探索变压器架构在从电子健康记录中提取有意义的模式的实用性,用于临床应用.

主要方法:

• 使用BERT (变压器双向编码器表示) 模型进行生命体征的时间序列分析.
• 在模型嵌入上使用无监督学习来识别患者集群.
• 通过使用曲线下的精度回忆面积 (PR AUC) 和曲线下的接收器操作特征面积 (ROC AUC) 评估分类性能.
• 利用MIMIC-III数据库进行模型培训和验证.

主要成果:

• 伯特嵌入成功地将患者聚集在一起,将败血病与非败血病例区分开来.
• 该模型捕获了生理复杂性,由诊断数分布证明.
• 取得了强大的分类性能,由高PR AUC和ROC AUC得分表明.
• 无监督分析揭示了具有明显生理特征的患者子组.

结论:

• 基于变压器的模型,如BERT,对于检测败血症的生命信号时间序列分析是有效的.
• 该方法通过提取复杂的生理模式来提高监测败血症的能力.
• 确定的患者子组为个性化监测和治疗策略提供了潜力.