面向术中时间序列的自解释层次模型
机器学习
2022-10-11 v1
摘要
重大术后并发症对手术患者是毁灭性的。其中部分并发症可基于术中数据早期预测而潜在预防。然而，术中数据由长而细粒度的多变量时间序列构成，阻碍了准确模型的有效学习。与临床事件和规程相关的大间隔通常被忽略。此外，深度模型普遍缺乏透明性。尽管如此，可解释性对于协助临床医生规划与实施术后护理及及时干预至关重要。为此，我们提出一种结合注意力与循环模型优势的层次模型用于处理术中时间序列。我们进一步为该层次模型开发了说明模块，通过细粒度提供术中数据的贡献来解释预测。在包含 111,888 台手术多结局的大型数据集及外部高分辨率 ICU 数据集上的实验表明，我们的模型可基于术中时间序列实现强劲预测性能（即高准确率）并为预测结局提供稳健解释（即高透明性）。
引用
@article{arxiv.2210.04417,
title = {Self-explaining Hierarchical Model for Intraoperative Time Series},
author = {Dingwen Li and Bing Xue and Christopher King and Bradley Fritz and Michael Avidan and Joanna Abraham and Chenyang Lu},
journal= {arXiv preprint arXiv:2210.04417},
year = {2022}
}