迈向可信的生命体征预测：利用不确定性构建预测区间

心率、血压等生命体征是患者健康的关键指标，广泛应用于临床监测与决策。尽管深度学习模型在预测这些信号方面展现出潜力，但其在医疗保健领域的部署仍然有限，部分原因是临床医生必须能够信任并解释模型输出。若缺乏可靠的不确定性量化——尤其是校准良好的预测区间（PIs）——则预测出的异常究竟是具有意义的警告还是仅仅反映模型噪声，这一点并不明确，从而阻碍了临床决策。为解决此问题，我们提出了两种从重建不确定性估计（RUE）中导出预测区间的方法。RUE是一种非常适合生命体征预测的不确定性度量，因为它对数据偏移敏感且支持无标签校准。我们的参数化方法假设预测误差和不确定性估计遵循高斯Copula分布，从而能够进行闭式预测区间计算。我们的非参数化方法基于k-最近邻（KNN），利用相似的验证实例经验性地估计条件误差分布。我们在两个分别具有分钟级和小时级采样率的大型公开数据集上评估了这些方法，它们代表了高频和低频健康信号。实验表明，高斯Copula方法在低频数据上持续优于共形预测基线，而KNN方法在高频数据上表现最佳。这些结果强调了基于RUE的预测区间在提供可解释、不确定性感知的生命体征预测方面的临床前景。