基于图形注意力网络的无监督聚类揭示了ICU痴呆症患者中高风险子组,用于增强死亡率预测
Chuanxiong Li1, Lei Zhang2, Xiaoyu Zhang3
1The Affiliated Hospital of Yunnan University, Kunming, Yunnan, China.
European journal of medical research
|November 11, 2025
概括
图表注意力网络 (GAT) 有效地识别了ICU中高风险痴呆症子组,改善了死亡风险分层. 这种机器学习方法增强了在重症监护机构中痴呆患者的临床决策.
科学领域:
- 人工智能在医学中的应用
- 临床信息学 临床信息学
- 计算生物学 计算生物学
背景情况:
- 痴呆症是一个日益增长的全球健康挑战,越来越多的患者需要进入重症监护室 (ICU).
- 目前在ICU中痴呆患者的风险分层方法往往无法考虑患者的异质性,限制了他们的预测准确性.
- 需要先进的分析技术来识别ICU痴呆症患者群体中的不同高风险子组.
研究的目的:
- 调查图表注意力网络 (GATs) 在ICU中对痴呆患者的无监督聚类的实用性.
- 确定和描述 ICU 住院的痴呆症患者中不同高风险子组.
- 提高风险分层的准确性,并可能改善该患者群体的临床结果.
主要方法:
- 利用了来自MIMIC-IV和MIMIC-III数据集的匿名数据,其中包括7904名痴呆患者.
- 使用的无监督集群方法:图形自编码器 (GAE),图形注意力自编码器 (GAT) 和K-means与UMAP.
- 使用轮和卡林斯基-哈拉巴斯指数确定了最佳集群 (k=3),GAT表现出卓越的性能.
主要成果:
- GAT算法表现优于GAE和K-means,确定了三个不同的痴呆症患者子组.
- 集群1,以晚年,凝血病,贫血和器官功能障碍为特征,表现出明显增加的死亡风险 (HR=21.58,P<0.001).
- 在GAT识别的集群上训练的机器学习模型显示出更好的预测性能 (AUC高达0.85),SHAP分析揭示了集群特定的风险驱动因素.
结论:
- 图表注意力网络 (GAT) 对于ICU中痴呆患者的细粒度风险分层是有效的.
- 鉴定的子组提供了对死亡风险的更细致的理解,有助于临床决策.
- 先进的机器学习,特别是基于GAT的集群,对优化痴呆症患者的ICU护理具有重大潜力.
