图片

《“脓毒症计算器”：通过动态时序图谱构建将临床计算器集成到脓毒症早期预测中》这篇文章提出了一个新颖的脓毒症早期预测模型，即“脓毒症计算器”，它通过动态构建包含临床计算器的时序异构图谱来提高预测精度和临床可解释性。

 

脓毒症是感染导致的免疫反应失调引起的器官功能障碍，早期预测和识别，对于改善临床预后至关重要。现有的人工智能模型通常只生成单一的脓毒症风险评分，而没有整合临床医生广泛使用的临床计算器，这使得模型的可信度和透明度降低，难以被临床医生所接受。

 

“脓毒症计算器”的核心思想是模拟临床医生的工作流程。临床医生通过评估多个器官功能障碍的临床计算器来诊断脓毒症，“脓毒症计算器”则将这些计算器集成到预测模型中。然而，直接将计算器输入深度学习模型面临挑战：计算器通常结合电子病历中多个组成变量的信息，而这些变量可能存在高缺失率，导致计算器有时无法应用。

 

图片

为了解决这个问题，“脓毒症计算器”采用了一种动态时序图谱构建方法。首先，它将患者的电子病历数据表示为一个包含所有观察变量（包括人口统计数据、生命体征、实验室检查、手术和药物）的时序图谱。然后，它利用图神经网络（GNN）来估计临床计算器，并动态地将这些准确估计的计算器添加到图谱中。只有置信度高的计算器才会被添加到图谱中，从而避免引入由于高缺失率导致的偏差。最后，图神经网络再次用于从动态时序异构图谱中提取特征，并预测器官功能障碍和脓毒症风险。

 

图片

文章详细描述了“脓毒症计算器”的各个组成部分：

 

●静态时序图谱构建: 该部分定义了图谱中的节点类型（采集节点、临床变量节点、器官节点、计算器节点）和边类型（同一变量的连续观测之间的边、同一时间戳观测之间的边、临床事件交互边）。这种图谱表示法能够自然地处理缺失数据，无需进行数据插补。

 

●时序异构信息传递: 本文采用了一种基于注意力的时序异构信息传递机制，有效地聚合了来自不同类型节点和边的信息。这部分使用了节点嵌入和边嵌入，并通过多头注意力机制来权衡不同邻居节点的重要性。通过多层信息传递，模型能够捕获时序数据中的长期依赖关系和临床事件之间的交互作用。

 

●动态时序图谱构建: 这是“脓毒症计算器”的核心创新。模型首先利用图神经网络估计器官特异性计算器和多器官计算器。然后，它使用一个置信度评分来过滤掉那些由于高缺失率而估计不准确的计算器。只有置信度高的计算器才会被添加到动态时序图谱中。这确保了模型的稳定性和临床可信度。

 

●脓毒症风险和器官功能障碍预测: 最终，图神经网络从动态时序图谱中提取特征，并预测脓毒症风险和器官功能障碍风险。

 

图片

文章作者们在三个真实世界的数据集上进行了大量的实验。实验结果表明，“脓毒症计算器”在早期脓毒症预测任务上优于现有最先进的方法。此外，研究人员还在俄亥俄州立大学韦克斯纳医学中心的电子病历系统中开发了一个集成系统，让临床医生轻松使用和有效地与模型交互，为临床决策提供支持。

 

本文的贡献归纳如下：

 

●提出了一个新颖的脓毒症预测模型“脓毒症计算器”，能够将患者的电子病历数据表示为动态时序图谱，并有效地提取时间信息、临床事件交互和器官功能障碍信息。

 

●通过动态生成计算器节点，将广泛使用和经过验证的临床计算器整合到模型中，显著提高了预测性能，并使模型更稳定、更易于被临床医生所接受。

 

●在多个真实世界数据集上进行了广泛的实验，结果表明该模型在脓毒症预测任务上优于现有最先进的方法。

 

●开发了一个集成到电子病历系统中的系统，允许临床医生轻松使用和有效地与模型交互。

 

图片

总之，“脓毒症计算器”通过巧妙地将临床计算器集成到动态时序图谱构建过程中，提供了一种更准确、更可解释、更符合临床工作流程的脓毒症早期预测模型。这为基于人工智能的临床决策支持系统的发展提供了新的思路，有望改善脓毒症患者的临床预后。未来的研究可以进一步探索如何改进计算器的估计方法，以及如何将“脓毒症计算器”应用于其他类型的疾病预测。