面向 ICU 患者多药耐药获取的不规则时间序列分类的人工智能解释技术
机器学习
2024-07-25 v1
摘要
抗菌药抗性是 ICU 中的重大挑战，患者面临多药耐药 (MDR) 感染——抗菌药对抗性致病菌风险较高。该研究引入一种新方法，将 Gated Recurrent Units (GRU) 与高级内在和后置可解释性技术集成，用于检测 MDR 发生的时间。关于可解释性方法，我们提出了面向不规则多变量时间序列 (MTS) 的解释性人工智能 (XAI) 方法，引入不规则时间 Shapley 加法解释 (IT-SHAP)，这是一种针对不规则 MTS 采用循环神经网络并聚焦于时间输出的 Shapley 加法解释的修改版本。该方法旨在识别与 ICU 患者 MDR 相关的特定风险因素。GRU 配合哈达卡尔注意力在初始特异性高，随着时间增长灵敏度提升，与延长 ICU 住院期间增加的 nosocomial infection 风险相吻合。XAI 分析通过哈达卡尔注意力和 IT-SHAP 识别了关键因素，包括之前的非耐药培养、特定抗生素使用模式以及医院环境动态。这些见解表明，早期识别高危患者可用于干预措施，如预防性隔离和定制治疗，从而显著改善临床结果。 proposed GRU 模型在时间序列分类中实现了平均受试者特征曲线下面积为 78.27 +- 1.26，表明其预测性能强劲。总而言之，该研究突显了该方法的临床实用性，将预测精度与可解释性相结合，从而促进专业人员更有效的医疗干预。
引用
@article{arxiv.2407.17165,
title = {Explainable Artificial Intelligence Techniques for Irregular Temporal Classification of Multidrug Resistance Acquisition in Intensive Care Unit Patients},
author = {Óscar Escudero-Arnanz and Cristina Soguero-Ruiz and Joaquín Álvarez-Rodríguez and Antonio G. Marques},
journal= {arXiv preprint arXiv:2407.17165},
year = {2024}
}