静态和多变量时序注意力融合变压器用于住院风险预测
机器学习
2024-07-17 v1 人工智能
摘要
背景：准确预测 ICU 患者的短期住院风险对于提高资源分配效率、帮助医生做出出院决策至关重要。临床上，来自 ICU 监护仪收集的个体静态数据和多变量时序数据在短期住院预测中发挥关键作用。信息化的静态和多变量时序特征表示的捕获与融合为准确住院预测带来挑战。方法：我们提出一种 novel 的静态和多变量时序注意力融合变压器（SMTAFormer），通过充分利用人口统计特征和动态时序数据的潜能，来预测 ICU 患者的短期住院。在 SMTAFormer 中，我们首先应用 MLP 网络和时序变压器网络分别学习有用的静态和时序特征表示。然后，应用精心设计的静态和多变量时序特征融合模块，通过建模多变量时序特征之间的内部相关性和静态与多变量时序特征之间的外部相关性来融合静态和时序特征表示。结果：我们基于 MIMIC-III 数据集构建了一个住院风险评估（RRA）数据集。大量实验表明，SMTAFormer 在先进方法上进行了显著的超越，其中我们的方法在准确率上可达 86.6%，受体下降曲线下面积（AUC）可达 0.717。结论：我们提出的 SMTAFormer 能够有效捕获和融合静态和多变量时序特征表示。通过与强大的基线方法进行比较，结果表明 SMTAFormer 在 ICU 患者的短期住院预测性能方面显著提高。
引用
@article{arxiv.2407.11096,
title = {Static and multivariate-temporal attentive fusion transformer for readmission risk prediction},
author = {Zhe Sun and Runzhi Li and Jing Wang and Gang Chen and Siyu Yan and Lihong Ma},
journal= {arXiv preprint arXiv:2407.11096},
year = {2024}
}