可解释的多式联机深度学习模型用于重症患者的可变长度序列

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
• 为医疗保健提供深度学习.

背景情况:

• 深度学习模型擅长使用结构化电子健康记录 (EHR) 数据预测临床事件.
• 整合非结构化临床笔记可以提高模型的准确性,但在多式联接和可解释性方面存在挑战,特别是在可变长度的时间数据中.
• 现有的方法很难有效地整合各种数据类型,并为重症监护室 (ICU) 轨迹提供可解释的预测.

研究的目的:

• 为多式联络电子健康记录数据开发一个可解释的时间建模框架.
• 为了适应可变长度的ICU轨迹,并支持各种结果预测任务.
• 提高重症监护中的深度学习模型的准确性和可解释性.

主要方法:

• 开发了两种具有不同的融合架构 (RNN前和RNN后) 的多式循环神经网络 (RNN),在每小时的时间步骤中集成结构化的EHR变量和非结构化的临床笔记.
• 用 Time2Vec 和 RNN 层进行掩盖处理了可变长度的序列,而综合梯度则用于可解释性,量化时间和交叉模式特征的重要性.
• 通过使用公共EHR数据集,对预测24小时死亡率,七天出院和四小时呼吸机或血管压缩器发作的模型进行了评估.

主要成果:

• 在所有预测任务中,多模式融合模型的表现明显优于单模式基线.
• 在四个结果中,RNN前融合架构在精度回忆曲线 (AUPRC) 下获得了最高的面积.
• 与短期事件相比,中期和长期事件 (≥24小时) 的性能增长更为显著.
• 综合梯度分析揭示了特定的归因模式,将生理特征和临床概念与患者风险联系起来.

结论:

• 开发的可变长度多式联络框架提高了重症监护中的深度学习模型的性能.
• 该框架提供了时间步骤级特征的重要性,大大提高了预测的可解释性和临床相关性.
• 这种方法为在重症监护机构推进人工智能应用提供了一个有希望的方向.