基于多中心数据的多模态人工智能临床患者死亡风险预测模型的开发与外部验证
机器学习
2025-12-24 v1 人工智能
摘要
及早预测危重症患者住院死亡风险有助于临床医生优化治疗方案。本研究旨在开发一种基于深度学习的多模态模型，利用结构化和非结构化临床数据，预测危重症患者在接受初始24小时 ICU 入院后住院死亡风险。我们使用来自 MIMIC-III、MIMIC-IV、eICU 和 HiRID 的数据。该多模态模型在 MIMIC 数据集上开发，包含住院前24小时内的时间序列成分，用于预测后续住院死亡风险。输入包括时间不变变量、时间可变变量、临床记录和胸部 X 光片图像。在时序分离的 MIMIC 人群、HiRID 和 eICU 数据集中进行了外部验证。共纳入 203,434 例 2001 年至 2022 年间来自超过 200 家医院的 ICU 入院记录，其中死亡率在四个数据集中分别为 5.2%至 7.9%。该模型整合结构化数据后的 AUROC、AUPRC 和 Brier 分别为 0.92、0.53 和 0.19。在 eICU 数据集中的八个不同机构进行外部验证后，AUROC 范围为 0.84-0.92。当仅包含可用临床记录和影像数据的患者时，将记录和影像纳入模型后，AUROC、AUPRC 和 Brier 分别从 0.87 提升至 0.89，0.43 提升至 0.48，0.37 降至 0.17。我们的发现凸显了在死亡风险预测中整合多源患者信息的重要性，以及外部验证的重要性。
引用
@article{arxiv.2512.19716,
title = {Development and external validation of a multimodal artificial intelligence mortality prediction model of critically ill patients using multicenter data},
author = {Behrooz Mamandipoor and Chun-Nan Hsu and Martin Krause and Ulrich H. Schmidt and Rodney A. Gabriel},
journal= {arXiv preprint arXiv:2512.19716},
year = {2025}
}
备注
75 pages (33 main text + references, 35 supplementary materials), 5 figures, 2 tables