2 个月前

用于重症监护室住院时长预测的时间点卷积网络

Emma Rocheteau; Pietro Liò; Stephanie Hyland
用于重症监护室住院时长预测的时间点卷积网络
摘要

不断增长的患者需求和预算限制使得医院床位管理成为临床工作人员每日面临的挑战。其中最为关键的是高效分配资源密集型的重症监护室(ICU)床位给需要生命支持的患者。解决这一问题的核心在于预测当前ICU患者在病房中的可能停留时间。在这项研究中,我们提出了一种新的深度学习模型,该模型结合了时间卷积和逐点(1x1)卷积,用于在eICU和MIMIC-IV重症监护数据集上进行住院时长预测任务。我们将这种模型称为时间逐点卷积(Temporal Pointwise Convolution, TPC),其专门设计用于缓解电子健康记录中常见的问题,如偏斜、不规则采样和缺失数据。通过这些改进,我们的模型在性能上相比常用的长短时记忆(Long-Short Term Memory, LSTM)网络和多头自注意力网络(即Transformer)提高了18%-68%(具体取决于指标和数据集)。此外,通过增加死亡率预测作为辅助任务,我们可以进一步提升性能,从而在预测剩余住院时长方面分别达到1.55天(eICU数据集)和2.28天(MIMIC-IV数据集)的平均绝对偏差。

用于重症监护室住院时长预测的时间点卷积网络 | 最新论文 | HyperAI超神经