SigmaMedStat：用于 ICU 误报减少的时序信号建模

ICU 中的报警疲劳是一个已获充分记录的患者安全危机。临床监护仪每日生成 350 多次报警，其中 72--99% 为临床无关。对非可操作报警的疲劳反应会增加错过真实紧急情况的风险。本文提出了 SigmaMedStat，一个在临床行动发生前评估生理报警信号可信度的机器学习系统。我们在 PhysioNet/Computing in Cardiology Challenge 2015 数据集（包含 498 条四通道 ICU 报警录音）上评估了四种方法。我们的主要贡献是将每个 60 秒录音分割为六个连续的 10 秒块，进而为每个块生成连续小波变换（CWT）比例图，使用共享的 EfficientNet-B0 编码器对每个块进行编码，并将 resulting feature sequence 输入到两层长短期记忆网络（LSTM）中。五折分层交叉验证得到平均 AUC 为 0.822 ± 0.016（95% 置信区间：[0.790, 0.853]），相较于在整个 60 秒窗口上训练的静态 EfficientNet 基线（AUC 为 0.641）显著提升。消融研究确认，时序分块和多通道信号融合都独立地对分类性能有贡献。按报警类型分析发现，心房颤动（Ventricular Flutter）是最准确分类的报警类型（AUC 0.820），而心脏停颤（Asystole）最为困难（AUC 0.722）。错误分析识别出 65 条假阴性和 85 条高置信度误分类为主要失败模式。所有代码和结果均公开于 https://github.com/Arun-K-Ram/sigmamedstat。