基于 Transformer 的扩散概率模型用于重症监护病房心率与血压预测
机器学习
2024-04-05 v5
摘要
背景与目的：重症监护病房（ICU）中的生命体征监测对于实现对患者的及时干预至关重要。这凸显了对准确预测系统的需求。因此，本研究提出一种新颖的深度学习方法，用于预测 ICU 中的心率（HR）、收缩压（SBP）和舒张压（DBP）。方法：我们从包含超过 千名患者数据的 MIMIC-III 数据库中提取了 次 ICU 住院记录，用于训练和测试模型。本研究提出的基于 Transformer 的稀疏时间序列预测扩散概率模型（TDSTF）融合了 Transformer 和扩散模型来预测生命体征。TDSTF 模型在预测 ICU 生命体征方面表现出最先进的性能，优于其他模型预测生命体征分布的能力，且计算效率更高。代码可在 https://github.com/PingChang818/TDSTF 获取。结果：研究结果表明，TDSTF 实现了 的标准化平均连续排序概率得分（SACRPS）和 的均方误差（MSE），分别比最佳基线模型提升 和 。TDSTF 的推理速度比最佳基线模型快 倍以上。结论：TDSTF 是一种高效且有效的 ICU 生命体征预测解决方案，并且相较于该领域其他模型有显著改进。
引用
@article{arxiv.2301.06625,
title = {A Transformer-based Diffusion Probabilistic Model for Heart Rate and Blood Pressure Forecasting in Intensive Care Unit},
author = {Ping Chang and Huayu Li and Stuart F. Quan and Shuyang Lu and Shu-Fen Wung and Janet Roveda and Ao Li},
journal= {arXiv preprint arXiv:2301.06625},
year = {2024}
}