基于患者特异性药代动力学的全局深度预测
机器学习
2025-12-17 v9 定量方法
摘要
医疗时间序列数据的预测对于不良结果的早期检测和患者监测至关重要。然而，由于用药方案的差异以及每位患者独特的药代动力学（PK）特性，这在实际中颇具挑战。为应对这些挑战，我们提出了一种新颖的全局-局部混合架构以及一个 PK 编码器，将患者特异性治疗效应信息引入深度学习模型。我们在血糖预测任务中，使用真实模拟和真实世界数据，展示了该方法在显著提升精度方面的有效性。在严重高血糖和低血糖水平的关键事件中，我们的 PK 编码器在模拟数据上超越基线高达 16.4%，在真实世界数据上超越 4.9%。此外，我们提出的全局-局部混合架构平均优于患者特异性 PK 模型 15.8%。
引用
@article{arxiv.2309.13135,
title = {Global Deep Forecasting with Patient-Specific Pharmacokinetics},
author = {Willa Potosnak and Cristian Challu and Kin G. Olivares and Keith A. Dufendach and Artur Dubrawski},
journal= {arXiv preprint arXiv:2309.13135},
year = {2025}
}