基于生理基础模型和患者感知状态空间模型的临床实验室检测结果轨迹估计 -- UNIPHY+ 方法
机器学习
2025-09-23 v1 人工智能
摘要
临床实验室检测提供诊断和治疗所必需的生化测量，但受限于间歇性和侵入性采样。相比之下，脉搏血氧图 (PPG) 是重症监护病房 (ICU) 中连续记录的非侵入性信号，反映心血管动力学，可作为潜在生理变化的代理变量。我们提出 UNIPHY+Lab，一个结合大规模 PPG 基础模型进行局部波形编码与患者感知 Mamba 模型进行长程时序建模的框架。我们的体系结构解决了三个挑战：(1) 捕获实验室值的扩展时序趋势，(2) 通过 FiLM 调制初始状态考虑患者特定的基线变化，(3) 执行多任务估计以处理相关生物标志物。我们在两个 ICU 数据集上评估了该方法，用于预测五个关键实验室检测项目。结果在 MAE、RMSE 和 等大多数估计目标上均显著优于 LSTM 和前推基线。本工作证明了从常规 PPG 监测连续、个人化实验室检测值估计的可行性，为重症 care 中的非侵入性生化监控提供了路径。
引用
@article{arxiv.2509.16345,
title = {Estimating Clinical Lab Test Result Trajectories from PPG using Physiological Foundation Model and Patient-Aware State Space Model -- a UNIPHY+ Approach},
author = {Minxiao Wang and Runze Yan and Carol Li and Saurabh Kataria and Xiao Hu and Matthew Clark and Timothy Ruchti and Timothy G. Buchman and Sivasubramanium V Bhavani and Randall J. Lee},
journal= {arXiv preprint arXiv:2509.16345},
year = {2025}
}