面向重症监护时间序列的基础模型
机器学习
2024-11-26 v1 机器学习
摘要
通用医学大型语言模型在多个医疗领域取得了显著进展。然而,对院内时间序列数据(如生命体征、实验室结果和重症监护中的治疗)的大规模建模仍未被充分探索。现有数据集相对较小,但将它们结合起来可以增强患者多样性并提高模型鲁棒性。为了有效利用这些组合数据集进行大规模建模,必须解决由不同治疗策略引起的分布偏移,这需要对不同数据集中的治疗变量进行协调统一。本研究旨在为在重症监护数据上训练大规模多变量时间序列模型奠定基础,并为跨医院迁移学习研究提供基准,以研究和解决分布偏移挑战。我们提出了一个协调统一的数据集,用于序列建模和迁移学习研究,这是首个包含核心治疗变量的大规模集合。未来的计划包括扩展该数据集,以支持迁移学习的进一步进展,并为关键医疗应用开发可扩展、可泛化的模型。
引用
@article{arxiv.2411.16346,
title = {Towards Foundation Models for Critical Care Time Series},
author = {Manuel Burger and Fedor Sergeev and Malte Londschien and Daphné Chopard and Hugo Yèche and Eike Gerdes and Polina Leshetkina and Alexander Morgenroth and Zeynep Babür and Jasmina Bogojeska and Martin Faltys and Rita Kuznetsova and Gunnar Rätsch},
journal= {arXiv preprint arXiv:2411.16346},
year = {2024}
}
备注
Accepted for Oral Presentation at AIM-FM Workshop at NeurIPS 2024