基于临床转换器的透明早期 ICU 死亡预测：多模态注意力与逐案例模态归因
机器学习
2025-11-21 v1
摘要
及早识别 ICU 患者中高风险死亡患者有助于及时干预和高效资源分配。尽管现有机器学习方法表现优异，但缺乏透明度和鲁棒性，限制了临床应用。我们提出一种轻量级、透明的多模态集成方法，将 ICU 前 48 小时的生理时间序列数据与非结构化临床笔记融合。逻辑回归模型整合来自两个模态专用模型的预测：针对生理指标的双向 LSTM 与针对笔记的微调 ClinicalModernBERT 转换器。该可追溯体系结构支持多层可解释性：每个模态内部的特征归因以及直接的逐案例模态归因，量化生理指标与笔记对每个决策的影响。实验在 MIMIC-III 数据集上表明，迟联集成模型在判别能力上优于最佳单模型（AUPRC 0.565 vs. 0.526；AUROC 0.891 vs. 0.876），且预测保持良好校准。该系统在单模态缺失时仍具鲁棒性。这些结果表明该方法在竞争性能与可审计风险估计、可预测操作之间取得了良好平衡，这对于临床应用至关重要。
引用
@article{arxiv.2511.15847,
title = {Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution},
author = {Alexander Bakumenko and Janine Hoelscher and Hudson Smith},
journal= {arXiv preprint arXiv:2511.15847},
year = {2025}
}