基于步骤化 Fine-Gray 模型的次动态竞争风险模型：发现血流动力学数据在预后预测中的作用时机
机器学习
2025-08-11 v1
摘要
为静脉复苏后昏迷患者进行预后预测是一项关键挑战，直接影响 ICU 中的临床决策。为指导预后预测收集的临床信息按时间顺序收集。静脉复苏后不久收集各种不可变的基线特征（如人口学特征、心脏骤停特征）。ICU 入院后，还收集额外特征，包括随时间变化的血流动力学数据（如血压、血管活性药物剂量）。我们将其视为两个阶段来收集新特征。在本研究中，我们提出了一种新的步骤化动态竞争风险模型，通过自动确定何时利用不可变特征（第一个阶段）和随时间变化的特征（第二个阶段），从而提高对神经学后果的预测。值得注意的是，我们的模型发现对于哪些患者，第二个阶段（随时间变化的血流动力学）信息对预后预测有益，以及随着收集更多血流动力学数据，哪些患者的这些数据在预后预测中的重要性如何变化。我们的方法将标准的 Fine-Gray 模型扩展到显式建模两个阶段，并采用神经网络灵活地捕捉复杂非线性特征关系。在对 2278 名静脉复苏后昏迷患者的回顾性队列中进行评估，我们的模型在针对清醒、撤 life-sustaining therapy 以及在最大支持下的死亡这三种竞争性后果的判别性能方面表现稳健。我们的做法可推广到不止两种收集新特征的阶段，可用于其他动态预测任务，帮助确定何时以及哪些人显著受益于新收集的特征。
引用
@article{arxiv.2508.06023,
title = {Stepwise Fine and Gray: Subject-Specific Variable Selection Shows When Hemodynamic Data Improves Prognostication of Comatose Post-Cardiac Arrest Patients},
author = {Xiaobin Shen and Jonathan Elmer and George H. Chen},
journal= {arXiv preprint arXiv:2508.06023},
year = {2025}
}