一种基于自监督预训练的新型多任务师生架构：用于脓毒症死亡率预测的 48 小时血管活性-肌力趋势分析
机器学习
2025-02-25 v1 人工智能
摘要
脓毒症是 ICU 死亡的主要原因，早期识别和有效干预对于改善患者预后至关重要。然而，血管活性-肌力评分 (VIS) 随患者的血流动力学状态动态变化，并因不规则的用药模式、数据缺失和混杂因素而变得复杂，这使得脓毒症预测具有挑战性。为了解决这一问题，我们提出了一种新型师生多任务框架，通过掩码自编码器 (MAE) 进行自监督 VIS 预训练。教师模型执行死亡率分类和严重程度评分回归，而学生模型蒸馏出鲁棒的时间序列表示，增强了对异构 VIS 数据的适应性。与基于 LSTM 的方法相比，我们的方法在 MIMIC-IV 3.0（9,476 名患者）上取得了 0.82 的 AUROC，优于基线（0.74）。SHAP 分析显示，SOFA 评分 (0.147) 对 ICU 死亡率的影响最大，其次是 LODS (0.033)、单身婚姻状况 (0.031) 和 Medicaid 医疗保险 (0.023)，突显了社会人口因素的作用。SAPSII (0.020) 也有显著贡献。这些发现表明，ICU 决策应同时考虑临床和社会因素。我们新颖的多任务和蒸馏策略能够更早地识别高危患者，提高预测准确性和疾病管理水平，为 ICU 决策支持提供了新工具。
引用
@article{arxiv.2502.16834,
title = {A Novel Multi-Task Teacher-Student Architecture with Self-Supervised Pretraining for 48-Hour Vasoactive-Inotropic Trend Analysis in Sepsis Mortality Prediction},
author = {Houji Jin and Negin Ashrafi and Kamiar Alaei and Elham Pishgar and Greg Placencia and Maryam Pishgar},
journal= {arXiv preprint arXiv:2502.16834},
year = {2025}
}