TFT-multi： ICU中生命体征轨迹的同步预测
机器人学
2025-07-15 v2
摘要
在医疗数据中的轨迹预测是精准护理和临床集成计算方法研究的重要领域。近年来，生成式AI模型在捕捉时间序列数据中的短程和长程依赖方面显示出有前景的效果。虽然这些模型也已用于医疗领域，但大多数只预测单个值，这在临床环境中不切实际，因为需要同时进行多项测量。在本工作中，我们扩展了时间序列预测工具TFT(temporal fusion transformer)的框架，提出TFT-multi，一个能够同时预测多个生命体征轨迹的端到端框架。我们将TFT-multi应用于预测ICU记录的5项生命体征：血压、脉搏、SpO2、体温和呼吸率。我们假设通过联合预测这些常与彼此相关的措施，可以更准确地进行预测，尤其是在缺失值较大的变量。我们在公共MIMIC数据集和独立机构数据集上对模型进行验证，证明该方法优于包括原始TFT和Prophet在内的领先的单变量预测工具，以及用于多变量预测的向量回归建模。此外，我们进行案例分析，通过将我们的管道应用于预测血压随实际和假设升压剂给药的变化来进行研究。
引用
@article{arxiv.2409.15585,
title = {XMoP: Whole-Body Control Policy for Zero-shot Cross-Embodiment Neural Motion Planning},
author = {Prabin Kumar Rath and Nakul Gopalan},
journal= {arXiv preprint arXiv:2409.15585},
year = {2025}
}
备注
Website at https://prabinrath.github.io/xmop Paper has 17 pages, 13 figures, 5 tables