使用多变量时间序列早期预测抗菌药物多重耐药性的多模态可解释数据驱动模型
机器学习
2024-03-11 v2 定量方法
摘要
电子健康记录 (EHR) 本质上是患者健康状况的多模态登记，以静态数据和多变量时间序列 (MTS) 为特征。虽然 MTS 是临床预测的有价值工具，但它们与其他数据模态的融合可能带来更深入的见解和更准确的结果。深度神经网络 (DNN) 已成为识别和定义医疗保健领域潜在模式的基础工具。然而，要在临床环境中广泛应用 DNN 模型，其可解释性需要得到根本性的改进。在本研究中，我们提出了一种建立在一系列可解释的多模态数据驱动模型基础上的方法，可以预测和理解 Fuenlabrada 大学医院（西班牙马德里）重症监护室 (ICU) 中抗菌药物多重耐药性 (AMR) 细菌的出现。患者的特征和初始健康状况使用静态变量建模，而患者在 ICU 住院期间健康状况的演变使用多个 MTS 建模，包括机械通气和抗生素摄入。本文提出的多模态 DNN 模型除了在预测 AMR 方面有效外，还包含可解释原则，并为 ICU 中的 AMR 提供了一个可解释的预测支持系统。此外，我们提出的基于多模态模型和可解释性方案的方法可以应用于处理 EHR 数据的其他临床问题，拓宽了我们结果的影响和适用性。
引用
@article{arxiv.2402.06295,
title = {Multimodal Interpretable Data-Driven Models for Early Prediction of Antimicrobial Multidrug Resistance Using Multivariate Time-Series},
author = {Sergio Martínez-Agüero and Antonio G. Marques and Inmaculada Mora-Jiménez and Joaquín Alvárez-Rodríguez and Cristina Soguero-Ruiz},
journal= {arXiv preprint arXiv:2402.06295},
year = {2024}
}