基于PPG血流动力学特征的住院中中风预测
机器学习
2026-02-11 v1 图像与视频处理
摘要
标准临床数据集中缺乏住院前生理数据，这从根本上限制了对中风的早期预测，因为患者通常仅在中风发生后才就诊，使得持续监测信号如光电血容量谱(PPG)的预测价值尚未得到验证。本文通过聚焦一个罕见但临床关键的患者群——在持续监测期间发生中风的患者——克服了这一限制，从而实现了对住院期间发生中风患者的大规模分析，首次获得与经验证的发作时间对齐的高质量前发作PPG波形。我们使用MIMIC-III和MC-MED数据集，通过开发由LLM辅助的数据挖掘管线从非结构化临床记录中提取精确的住院中风发作时间戳，并经医生验证，最终确定176名MIMIC和158名MC-MED患者拥有高质量的同步前发作PPG数据。随后我们从PPG中提取血流动力学特征，并采用ResNet-1D模型在多个早期警报时间窗内预测潜在中风。在MIMIC-III上，模型在4、5、6小时前的F1分数分别为0.7956、0.8759和0.9406；在MC-MED上，同样的时间窗内F1分数分别为0.9256、0.9595和0.9888。这些结果首次从真实世界临床数据中提供了证据表明PPG在发作前数小时包含中风的预测信号，表明被动获取的生理信号可支持可靠的早期警报，支持从事后中风识别转向基于生理学的主动监测，这可能在常规临床护理中显著改善患者预后。
引用
@article{arxiv.2602.09328,
title = {In-Hospital Stroke Prediction from PPG-Derived Hemodynamic Features},
author = {Jiaming Liu and Cheng Ding and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2602.09328},
year = {2026}
}
备注
11 pages, 6 figures, 3 tables. To appear in Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '26)