TCKAN:一种预测脓毒症患者死亡风险的新型集成网络模型
应用统计
2024-11-11 v2 人工智能
摘要
脓毒症构成一个重大的全球健康威胁,每年导致数百万人死亡并造成巨大的经济成本。准确预测脓毒症患者的死亡风险能够实现早期识别,促进医疗资源的有效分配,并便于及时干预,从而改善患者预后。当前方法通常仅利用一种数据类型——常数数据、时序数据或ICD编码。本研究引入了一种新方法,即时间-常数Kolmogorov-Arnold网络(TCKAN),它独特地将时序数据、常数数据和ICD编码集成在一个预测模型中。与通常依赖单一数据类型的现有方法不同,TCKAN利用多模态数据集成策略,从而在识别高风险脓毒症患者方面具有卓越的预测准确性和鲁棒性。在MIMIC-III和MIMIC-IV数据集上的验证表明,TCKAN在准确性、敏感性和特异性方面超越了现有的机器学习和深度学习方法。值得注意的是,TCKAN达到了87.76%和88.07%的AUC,展示了识别高风险患者的卓越能力。此外,TCKAN有效应对了临床环境中普遍存在的数据不平衡问题,提高了对死亡风险升高患者的检测能力,并促进了及时干预。这些结果证实了该模型的有效性及其在临床实践中改变患者管理和优化治疗的潜力。尽管TCKAN模型已经整合了时序、常数和ICD编码数据,未来的研究可以纳入更多样化的医疗数据类型,如影像和实验室检测结果,以实现更全面的数据集成并进一步提高预测准确性。
引用
@article{arxiv.2407.06560,
title = {TCKAN:A Novel Integrated Network Model for Predicting Mortality Risk in Sepsis Patients},
author = {Fanglin Dong},
journal= {arXiv preprint arXiv:2407.06560},
year = {2024}
}