基于贝叶斯准则切换模型的重症监护病房生理失血识别
应用统计
2026-03-27 v2 统计方法学
机器学习
其他统计学
摘要
在重症监护病房（ICU）中识别隐性出血（即内部出血）对临床工作人员构成重大挑战。由于血液流失可能并不总是临床上显现，医生必须依赖监测生命体征以识别特定的出血事件征兆。诊断此类事件的固有困难可能导致医生延迟干预，从而产生灾难性后果。因此，早期检测出血的 methodology 具有广泛的实用价值。我们发展一种贝叶斯准则切换模型（RSM），用于分析患者生命体征和实验室指标的趋势，以提供患者在任意时刻所处的潜在生理状态的概率性评估。该文章基于我们从梅奥诊所收集的 33,924 例真实 ICU 患者接触记录所构建的全面数据集。纵向响应测量在给定当前时间点之前的所有潜在状态条件下建模为向量自回归过程，潜在状态遵循马尔可夫过程。我们提出一种新颖的贝叶斯抽样程序来学习潜在生理状态的后验概率分布，同时发展一种方法来处理 ICU 入院前的生理变化。仿真和真实案例研究说明了我们方法的有效性。
引用
@article{arxiv.2603.22208,
title = {Identification of physiological shock in intensive care units via Bayesian regime switching models},
author = {Emmett B. Kendall and Jonathan P. Williams and Curtis B. Storlie and Misty A. Radosevich and Erica D. Wittwer and Matthew A. Warner},
journal= {arXiv preprint arXiv:2603.22208},
year = {2026}
}