基于真实生命体征数据的端到端多元时间序列聚类算法识别 ICU 患者亚组
机器学习
2023-07-13 v2 人工智能
计算机与社会
最优化与控制
摘要
本研究采用 MIMIC-IV 数据库作为数据源，探讨利用 ICU 住院前 8 小时监测的动态、高频、多元时间序列生命体征数据（包括体温、心率、平均血压、呼吸频率与 SpO2）。我们比较了多种聚类算法，并选择名为 Time2Feat 的端到端多元时间序列聚类系统结合 K-Means 作为聚类 ICU 患者的最有效方法。在聚类分析中，使用 2008 至 2016 年入院的 8,080 名患者数据用于模型开发，2017 至 2019 年入院的 2,038 名患者用于模型验证。通过分析不同类别间临床死亡预后的差异，发现不同亚组间 ICU 死亡率与院内死亡率存在风险差异。此外，本研究可视化了生命体征变化轨迹。研究结果可为 ICU 环境中多元时间序列聚类系统在患者管理与监测中的潜在应用提供有价值的见解。
引用
@article{arxiv.2306.02121,
title = {Identifying Subgroups of ICU Patients Using End-to-End Multivariate Time-Series Clustering Algorithm Based on Real-World Vital Signs Data},
author = {Tongyue Shi and Zhilong Zhang and Wentie Liu and Junhua Fang and Jianguo Hao and Shuai Jin and Huiying Zhao and Guilan Kong},
journal= {arXiv preprint arXiv:2306.02121},
year = {2023}
}