使用多变量时间序列分析与可解释患者相似性表征的多重耐药早期检测
机器学习
2025-04-25 v1 人工智能
摘要
背景与目的：多重耐药（MDR）是全球健康的严峻问题，导致住院时间延长、医疗成本增加和死亡率上升。本研究提出了一个可解释的机器学习（ML）框架用于 MDR 预测，旨在实现准确推断与增强可解释性。方法：将患者建模为多变量时间序列（MTS），以捕捉临床进展和患者间的相互作用。使用基于 MTS 的方法量化患者间的相似性：描述性统计、动态时间规整和时间簇核。这些相似性度量作为输入，通过逻辑回归、随机森林和支持向量机进行 MDR 分类，并通过降维和核变换提升模型性能。为实现可解释性，基于这些度量构建了患者相似性网络。应用谱聚类和 t-SNE 识别 MDR 相关亚组并可视化高风险簇，从而洞察临床相关模式。结果：该框架在 Fuenlabrada 大学医院的 ICU 电子健康记录上进行了验证，AUC 达到 81%。通过利用基于图的患者相似性，它优于基线 ML 和深度学习模型。该方法识别了关键风险因素——长期使用抗生素、侵入性操作、合并感染和延长 ICU 住院时间——并揭示了具有临床意义的簇。代码和结果可在 https://github.com/oscarescuderoarnanz/DM4MTS 获取。结论：患者相似性表征结合基于图的分析提供了准确的 MDR 预测和可解释的洞察。该方法支持早期检测、风险因素识别和患者分层，突显了可解释 ML 在重症监护中的潜力。
引用
@article{arxiv.2504.17717,
title = {Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations},
author = {Óscar Escudero-Arnanz and Antonio G. Marques and Inmaculada Mora-Jiménez and Joaquín Álvarez-Rodríguez and Cristina Soguero-Ruiz},
journal= {arXiv preprint arXiv:2504.17717},
year = {2025}
}