ICU生命体征的插补分析
机器学习
2025-10-29 v1 人工智能
摘要
随着更多急诊护理单元（ICU）数据可用，开发临床预测模型以改善医疗协议的兴趣日益增加。然而，数据质量的不足仍阻碍了基于机器学习的临床预测。许多生命体征测量（如心率）包含可观的缺失片段，导致数据中出现间隙，可能对预测性能产生负面影响。以往工作引入了诸多时间序列插补技术。然而，仍需更全面的工作来比较一套代表性的方法，用于插补ICU生命体征，并确定最佳实践。实际上，仍有一些随意的插补技术可能降低预测准确性，例如零插补。在本研究中，我们比较了已建立的插补技术，以指导研究人员通过选择最准确的插补技术来提高临床预测模型的性能。我们引入了一个可扩展且可重用的基准，包含目前15种插补方法和4种脱胎方法，旨在针对主要ICU数据集进行基准测试。我们希望提供比较基础，促进进一步的机器学习发展，将更多模型引入临床实践。
引用
@article{arxiv.2510.24217,
title = {Closing Gaps: An Imputation Analysis of ICU Vital Signs},
author = {Alisher Turubayev and Anna Shopova and Fabian Lange and Mahmut Kamalak and Paul Mattes and Victoria Ayvasky and Bert Arnrich and Bjarne Pfitzner and Robin P. van de Water},
journal= {arXiv preprint arXiv:2510.24217},
year = {2025}
}
备注
Preprint