一个新型的多任务教师-学生架构,自主监督培训48小时的血栓活性-无otropic趋势分析在败血症死亡率预测

科学领域:

• 临界护理医学 临界护理医学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 败血症是重症监护室 (ICU) 死亡的主要原因,需要早期检测和干预.
• 预测败血症是具有挑战性的,因为动态的血管活性-无热点评分 (VIS) 的变化,数据的不规则性,和混因素.

研究的目的:

• 开发一种新的教师-学生多任务框架,并进行自我监督的蒙面自动编码器 (MAE) 预训,以改善败血症预测.
• 提高时间序列表示的适应性,以异质的VIS数据,以便更强大的败血症识别.

主要方法:

• 通过MAE实施了教师-学生多任务框架,利用自主监督的VIS预培训.
• 教师模型进行了死亡率分类和严重程度得分回归.
• 学生模型提炼了强大的时间序列表示,用于异构的VIS数据适应.

主要成果:

• 在MIMIC-IV 3.0上实现了0.829的接收器操作特征曲线 (AUROC) 下的面积,超过了基线LSTM方法 (0.74).
• 在SHAP分析中,SOFA分数,LODS,婚姻状况,医疗补助保险和SAPSII被确定为ICU死亡率的重要预测因素.
• 突出了社会人口统计学因素与临床评分在预测ICU死亡率方面的影响.

结论:

• 拟议的AI框架可以更早地识别高风险的败血症患者,提高预测准确度.
• 整合临床和社会人口因素可以提高ICU决策和患者管理.
• 开发的多任务和蒸策略为ICU决策支持和败血症管理提供了先进的工具.