面向自适应风险估计的电子病历基础模型

医院在预测关键结局方面面临困难。传统的早期预警系统，如NEWS和MEWS，依赖于静态变量和固定阈值，限制了其适应性、准确性和个性化。我们先前开发了用于健康结局模拟的增强型Transformer（ETHOS），这是一种人工智能模型，可将来自电子健康记录（EHR）的患者健康时间线（PHT）进行分词，并使用基于Transformer的架构预测未来的PHT。ETHOS是一个用于开发广泛应用的多功能框架。在这项工作中，我们开发了自适应风险估计系统（ARES），该系统利用ETHOS计算临床医生定义的关键事件的动态、个性化风险概率。ARES还具有一个个性化可解释性模块，用于突出影响风险估计的关键临床因素。我们使用MIMIC-IV v2.2数据集及其急诊科（ED）扩展数据集评估了ARES，并将其性能与经典早期预警系统和当代机器学习模型进行了基准测试。整个数据集被分词，产生了285,622个PHT，包含超过3.6亿个令牌。ETHOS在预测入院、ICU入院和住院时间延长方面优于基准模型，取得了优异的AUC分数。其风险估计在不同人口统计亚组中表现稳健，校准曲线证实了模型的可靠性。可解释性模块为患者特定的风险因素提供了有价值的见解。由ETHOS驱动的ARES通过提供动态、实时、个性化的风险估计和患者特定的可解释性，推动了预测性医疗AI的发展。尽管我们的结果很有前景，但其临床影响仍不确定。在真实世界环境中展示ARES的真正效用将是我们未来工作的重点。我们发布源代码以促进未来的研究。