由语言模型驱动的稀疏术中低血压事件多模态预测
计算与语言
2025-07-23 v3 人工智能
摘要
术中低血压 (IOH) 在全身麻醉下频繁发生，并且与心肌损伤和死亡率增加等不良结果密切相关。尽管其意义重大，但 IOH 预测受到事件稀疏性以及整合不同患者静态和动态数据的挑战的阻碍。在本文中，我们提出了 \textbf{IOHFuseLM}，一个多模态语言模型框架。为了准确识别和区分稀疏的低血压事件，我们采用了两阶段训练策略。第一阶段涉及对通过扩散方法增强的 IOH 生理时间序列进行领域自适应预训练，从而增强模型对与低血压相关模式的敏感性。随后，在原始临床数据集上进行任务微调，以进一步提高区分正常血压和低血压状态的能力。为了实现每位患者的多模态融合，我们在 token 级别将结构化临床描述与相应的生理时间序列对齐。这种对齐使模型能够捕获个性化的时间模式及其相应的临床语义。此外，我们将静态患者属性转换为结构化文本，以丰富个性化信息。在两个术中数据集上的实验评估表明，IOHFuseLM 在准确识别 IOH 事件方面优于既有的基线，突显了其在临床决策支持场景中的适用性。我们的代码已在 https://github.com/zjt-gpu/IOHFuseLM 公开提供，以促进可复现性。
引用
@article{arxiv.2505.22116,
title = {Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model},
author = {Jintao Zhang and Zirui Liu and Mingyue Cheng and Shilong Zhang and Tingyue Pan and Yitong zhou and Qi Liu and Yanhu Xie},
journal= {arXiv preprint arXiv:2505.22116},
year = {2025}
}