面向ICU患者监护的可解释数字孪生：多模态与多任务迭代推理
无序系统与神经网络
2026-01-13 v1 数学物理
math.MP
摘要
我们介绍DT-ICU，一个用于ICu中持续风险估计的多模态数字孪生框架。DT-ICU将可变长度的临床时间序列与静止患者信息整合到统一的多任务架构中，使预测能够随着ICU住院期间新观察值的累积而更新。我们在大型公开可用的MIMIC-IV数据集上评估了DT-ICU，在不同评估设置下始终优于既定基线模型。我们的测试长度分析显示，入院后不久即可实现有意义的区分度，而更长的观察窗口进一步提高了在高度不平衡队列中高风险患者的排序。为检验模型如何利用异构数据源，我们进行了系统性模态剥除分析，揭示模型学到了对干预、生理响应观察和情境信息的合理结构性依赖。这些分析提供了关于多模态信号如何组合以及灵敏度与精度之间的权衡的可解释见解。总体而言，这些结果表明DT-ICU提供准确、时序稳健且可解释的预测，支持其作为ICu临床监护的实用数字孪生框架的潜力。DT-ICU的源码和训练好的模型权重已在https://github.com/GUO-W/DT-ICU-release 公开可用。
引用
@article{arxiv.2601.07777,
title = {Serial vs parallel recall in the Blume-Every-Griffiths neural networks},
author = {Linda Albanese and Andrea Alessandrelli and Adriano Barra and Emilio N. M. Cirillo},
journal= {arXiv preprint arXiv:2601.07777},
year = {2026}
}