利用选择性状态空间模型预测急性脑功能障碍状态的多队列研究

评估急性脑功能障碍（ABD），包括重症监护室（ICU）中的谵妄和昏迷，因其高发病率和对患者预后的严重影响而是一项关键挑战。当前的诊断方法依赖于不频繁的临床观察，只能在发病后确定患者的 ABD 状态。我们的研究试图通过利用电子健康记录（EHR）数据开发 ICU 患者 ABD 预测的自动化方法来解决这些问题。现有模型仅预测单一状态（例如，仅是谵妄或昏迷），需要至少 24 小时的观察数据才能进行预测，无法动态预测 ICU 住院期间波动的 ABD 状况（通常是一次性预测），且使用小样本量的专有单医院数据集。我们的研究填补了现有文献中的这些空白，通过在 ICU 住院期间以 12 小时为间隔动态预测谵妄、昏迷和死亡率，并在两个公共数据集上进行了验证。我们的研究还引入了实时动态预测从非 ABD 到 ABD 以及不同 ABD 状态之间关键转变的概念，这可能为医院工作人员提供更具临床信息量的参考。我们比较了两种最先进神经网络模型的预测性能：MAMBA 选择性状态空间模型和 Longformer Transformer 模型。使用 MAMBA 模型，我们在 12 小时隔间的 ABD 结果预测上达到了 0.95 的平均受试者工作特征曲线下面积（AUROC）。该模型在预测 ABD 状态之间的转变时达到了 0.79 的平均 AUROC。我们的研究使用了来自佛罗里达大学健康尚兹医院（University of Florida Health Shands Hospital）的精选数据集进行内部验证，并使用两个公开可用的数据集 MIMIC-IV 和 eICU 进行外部验证，展示了在来自 203 家医院和 140,945 名患者的 ICU 住院期间的鲁棒性。