TA-RNN-Medical-Hybrid：面向 ICU 死亡风险预测的时间感知与可解释框架
机器学习
2026-03-10 v1 人工智能
分布式、并行与集群计算
新兴技术
摘要
在重症监护室（ICU）中实现准确且可解释的死亡风险预测，面临着电子健康记录（EHR）时间结构不规则、纵向疾病轨迹复杂以及数据驱动模型缺乏临床依据解释等关键挑战。为此，我们提出\textit{TA-RNN-Medical-Hybrid}——一个时间感知且知识丰富的深度学习框架，通过显式连续时间编码联合建模纵向临床序列和不规则时间动态，同时融合标准化医学概念表征。该框架通过集成显式连续时间嵌入（独立于访问索引）、基于 SNOMED 的疾病表征，以及捕获访问级时间重要性和特征/概念级临床相关性的层次化双级注意力机制，扩展了时间感知循环模型的设计。此设计实现对死亡风险的精准估计，同时提供透明且符合临床知识的解释。我们在 MIMIC-III 重症护理数据集上进行评估，并与强大的时间感知和序列基准方法进行比较。实验结果表明，TA-RNN-Medical-Hybrid 在 AUC、准确率和召回率 F-得分等指标上持续提升预测性能。此外，定性分析显示，该模型有效分解死亡风险的时间维度和临床概念，提供关于疾病严重程度、慢性特征和时间进程的可解释见解。总体而言，本框架弥合了预测精度与临床可解释性之间的鸿沟，为高风险 ICU 决策支持系统提供了可扩展且透明的解决方案。
引用
@article{arxiv.2603.08278,
title = {TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction},
author = {Zahra Jafari and Azadeh Zamanifar and Amirfarhad Farhadi},
journal= {arXiv preprint arXiv:2603.08278},
year = {2026}
}