利用混合推理序列自编码器网络预测术中低氧血症
机器学习
2022-08-24 v6
摘要
我们提出了一种端到端模型，利用流式生理时间序列预测低氧血症的近期风险，该病症罕见但危及生命，已知会在手术中导致严重的患者伤害。受低氧血症事件基于未来低 SpO2（即血氧饱和度）实例序列定义这一事实的启发，我们提出了混合推理网络（hiNet），其对未来低 SpO2 实例和低氧血症结果进行混合推理。hiNet 集成了 1) 一个联合序列自编码器，同时优化用于标签预测的判别解码器，以及 2) 两个用于数据重建与预测的辅助解码器，它们无缝学习捕捉从当前状态到未来状态转移的上下文潜表示。所有解码器共享一个基于记忆的编码器，有助于捕捉患者测量的全局动态。对于一个包含某主要学术医疗中心 72,081 台手术的大型外科队列，我们的模型优于强基线，包括最先进低氧血症预测系统所使用的模型。凭借以临床可接受的报警率实时预测近期低氧血症的能力，hiNet 显示出改善临床决策和减轻围手术期护理负担的前景。
引用
@article{arxiv.2104.14756,
title = {Predicting Intraoperative Hypoxemia with Hybrid Inference Sequence Autoencoder Networks},
author = {Hanyang Liu and Michael C. Montana and Dingwen Li and Chase Renfroe and Thomas Kannampallil and Chenyang Lu},
journal= {arXiv preprint arXiv:2104.14756},
year = {2022}
}
备注
Accepted for CIKM '22