作为医生思考：ICU 死亡率预测的可解释 AI 方法
机器学习
2025-10-15 v1
摘要
ICU 死亡率预测通过利用 ICU 入院早期收集的电子健康记录（EHR）估计患者在出院时的死亡状态，对临重症医学至关重要。对于此任务，仅靠预测准确率是不够的；可解释性同样至关重要，用于建立临床信任并满足监管标准，这一问题已在信息系统研究中引起广泛关注。因此，理想的解决方案应能够实现内在可解释性，并将其推理与 ICU 决策实践的三个关键要素保持一致：临床路径识别、人口学异质性和预后意识。然而，传统方法主要关注人口学异质性，忽略了临床路径识别和预后意识。最近的原型学习方法解决了临床路径识别的问题，但将其他要素整合到此类框架中仍未得到充分探索。为填补这一空白，本文提出 ProtoDoctor，一种新的 ICU 死亡率预测框架，既能实现内在可解释性，又能将 ICU 决策实践的全部三个要素整合到推理过程中。方法论上，ProtoDoctor 包含两个关键创新：预后临床路径识别模块和人口学异质性识别模块。前者通过原型学习实现临床路径识别，并通过一种新型正则化机制实现预后意识。后者通过基于队列的原型和风险调整来建模人口学异质性。广泛的实证评估表明，ProtoDoctor 在预测准确率上优于最先进的基准方法。人类评估进一步确认，其解释更临床上有意义、更可信，且适用于 ICU 实践。
引用
@article{arxiv.2510.11745,
title = {Think as a Doctor: An Interpretable AI Approach for ICU Mortality Prediction},
author = {Qingwen Li and Xiaohang Zhao and Xiao Han and Hailiang Huang and Lanjuan Liu},
journal= {arXiv preprint arXiv:2510.11745},
year = {2025}
}
备注
42 pages