基于疾病进展与不规整观测轨迹的患者亚型划分

基于时序观测的患者亚型划分能够产生显著精细的亚型，从而承认疾病的动态特征。现有的轨迹亚型划分方法将临床观测的演化视为同质过程，或采用定期间隔可用的数据。实际上，疾病可能具有瞬态的潜在状态以及依赖于状态的观测模式。在本文中，我们提出一种在不规整患者数据上进行亚型划分的方法，同时承认疾病状态的潜在进展。我们的方法由两部分组成：一个用于确定患者观测轨迹似然的概率模型，以及一个用于度量异步患者轨迹间相似性的混合模型。我们通过在来自多机构 ICU 数据集的患者队列中发现血流动力学不稳定（需要心血管干预）的进展亚型来展示我们的模型。我们发现了三种主要模式：其中两种表现出失代偿的典型体征（心率上升伴血压下落），且其中一种比另一种表现出更快的失代偿进程。第三种模式具有心率与血压偏低的瞬态期。我们还表明，在预测生命体征时，与无状态进展的模型相比，我们的模型使平均交叉熵误差降低了 13%。