HiRID-ICU-Benchmark -- Une Évaluation Complète de l'Apprentissage Automatique sur des Données d'UCI à Haute Résolution

Le récent succès des méthodes d'apprentissage automatique appliquées aux séries temporelles collectées dans les Unités de Soins Intensifs (USI) met en lumière le manque de benchmarks standardisés pour développer et comparer ces méthodes. Bien que des jeux de données bruts, tels que MIMIC-IV ou eICU, soient librement accessibles sur Physionet, le choix des tâches et du prétraitement est souvent déterminé de manière ad hoc pour chaque publication, limitant ainsi la comparabilité entre les publications. Dans ce travail, nous visons à améliorer cette situation en fournissant un benchmark couvrant un large spectre de tâches liées aux USI. En utilisant le jeu de données HiRID, nous définissons plusieurs tâches cliniquement pertinentes en collaboration avec des cliniciens. De plus, nous fournissons une pipeline reproductible de bout en bout pour construire à la fois les données et les étiquettes. Enfin, nous fournissons une analyse approfondie des méthodes actuelles d'élaboration de modèles séquentiels, soulignant certaines limitations des approches d'apprentissage profond pour ce type de données. Avec ce benchmark, nous espérons offrir à la communauté scientifique la possibilité d'une comparaison équitable de leurs travaux.