naviDCN:导航器引导的多模式深度集群用于早期ICU入院的败血症表型

科学领域:

• 计算生物学是一种计算生物学.
• 医疗信息学医学信息学
• 医学中的人工智能

背景情况:

• 败血症是一种复杂的,危及生命的疾病,患者的反应异质.
• 目前针对败血症表型的无监督聚类方法缺乏临床解释性.
• 将临床知识整合到聚类中对于有意义的败血症亚型化至关重要.

研究的目的:

• 开发一种新的深度学习框架,naviDCN,用于识别临床相关的败血症表型.
• 通过结合临床知识,提高败血症集群的解释性.
• 发现具有独特临床轨迹和结果的独特败血症表型.

主要方法:

• 开发了naviDCN,这是一个具有多模式编码器,深度集群网络 (DCN) 和导航模块的框架.
• 利用多模式电子健康记录数据的注意力机制进行嵌入.
• 采用网络权重和集群中心体的代优化,由包含临床知识的导航模块指导.

主要成果:

• 发现了四种不同的败血症表型,具有独特的临床特征,SOFA得分轨迹和死亡率模式.
• naviDCN成功地区分了具有不同预后 (例如,潜在改善与恶化) 的表型.
• 导航模块增强了表型的解释性,而不会牺牲集群性能.

结论:

• naviDCN为发现具有临床意义的败血症表型提供了一个框架.
• 鉴定到的表型提供了关于败血症异质性的见解,有助于制定有针对性的治疗策略.
• 这种方法提高了毒症亚型对临床相关性的解释性.