基于多模态深度学习的电生理信号实验室值异常预测与预报
信号处理
2025-11-20 v2 机器学习
摘要
本研究探讨了利用电生理信号（ECG）数据结合基本患者元数据来估计和监测实验室异常值得可行性。我们使用 MIMIC-IV 数据集对 ECG 波形、人口统计数据、生物计量数据和生命体征数据训练多模态深度学习模型。我们的模型是一种带有后期融合元数据的结构状态空间分类器。我们将任务设定为每个异常值上的个体二元分类，并使用 AUROC 评估性能。该模型在 24 项实验室值的异常预测中实现了良好的性能，AUROC 超过 0.70；在异常预测中最多可达 24 项，涵盖心血管、肾脏、血液学、代谢、免疫学和凝血学类别。NTproBNP（>353 pg/mL）预测最佳（AUROC > 0.90），其他 AUROC 超过 0.85 的指标包括血红蛋白（>17.5 g/dL）、白蛋白（>5.2 g/dL）和血小板（>51%）。我们的发现表明，ECG 结合临床数据可实现对实验室异常值进行及时预测和预报，为传统检测提供一种非侵入且成本效益高的替代方案。这可以支持早期干预和增强的患者监护。ECG 和临床数据可帮助估计和监控异常实验室值，potentially improve care while reducing reliance on invasive and costly procedures。
引用
@article{arxiv.2411.14886,
title = {Abnormality Prediction and Forecasting of Laboratory Values from Electrocardiogram Signals Using Multimodal Deep Learning},
author = {Juan Miguel Lopez Alcaraz and Nils Strodthoff},
journal= {arXiv preprint arXiv:2411.14886},
year = {2025}
}
备注
Accepted for publication in Scientific Reports. 15 pages, 2 figures. Code available at: https://github.com/AI4HealthUOL/CardioLab