可解释的大型语言模型用于早期预测抗微生物多药性耐药性

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 关键护理医学 关键护理医学

背景情况:

• 在重症监护室 (ICU) 中的抗菌素耐药性 (AMR) 是一个日益增长的全球健康挑战,增加死亡率,发病率和医疗保健费用.
• 早期预测AMR对于在重症监护机构的有效治疗和干预策略至关重要.

研究的目的:

• 提出和评估基于大型语言模型 (LLM) 的新型架构,用于在重症监护室 (ICU) 患者的抗菌素耐药性 (AMR) 分类.
• 使用电子健康记录 (EHR),以不规则的多变量时间序列 (MTS) 为模型,用于AMR预测.

主要方法:

• 基于LLM的模型与基准深度学习 (DL) 模型 (GRU,LSTM,变压器,Mamba,GCN) 的评估,使用3502个匿名的ICU患者EHR (2004-2020).
• 对不规则的MTS数据的训练模型具有4,7和14天的预测窗口.
• 使用SHAP值评估模型的可解释性.

主要成果:

• 基于LLM的模型在AMR分类中显著超过了基线DL架构.
• 在7天的预测窗口中,InstructTime-LLM实现了最高的性能 (ROC-AUC 0.792 ± 0.009);在14天的预测窗口中,Blocks-LLM表现相似.
• SHAP分析确定了临床相关的风险因素,包括导管使用,抗生素暴露和微生物培养.

结论:

• 拟议的LLM架构显示了AMR分类的巨大潜力,提供了高预测准确性和模型可解释性.
• 这些模型为在重症监护环境中开发可靠的预警系统提供了坚实的基础,以对抗AMR.