常规收集的ICU多变量生理信号中共同潜在表示的协作学习
机器学习
2024-10-04 v2
摘要
在重症监护病房（ICU）中，丰富的多变量时间序列为机器学习（ML）增强患者表型分析提供了机会。与之前关注电子健康记录（EHR）的研究不同，我们提出了一种使用常规收集的生理时间序列数据进行表型分析的ML方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤概念相结合，以识别患者之间的共同生理状态。在真实世界ICU临床数据上，针对脑损伤患者的颅内高压（IH）检测，我们的方法实现了0.889的曲线下面积（AUC）和0.725的平均精度（AP）。此外，我们的算法在学习生理信号的更有结构性的潜在表示方面优于自编码器。这些发现突显了我们的方法在患者表型分析中的前景，利用常规收集的多变量时间序列来改善临床护理实践。
引用
@article{arxiv.2402.17917,
title = {Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals},
author = {Hollan Haule and Ian Piper and Patricia Jones and Tsz-Yan Milly Lo and Javier Escudero},
journal= {arXiv preprint arXiv:2402.17917},
year = {2024}
}
备注
Published in 2024 IEEE International Conference on Acoustics, Speech, and Signal Processing Workshops (ICASSPW)