利用基于小波变换的深度学习方法和实时信号进行ICU（重症监护室）患者预后的预测

《ACM Transactions on Management Information Systems》：ICU Outcome Predictions Using Real-Time Signals with Wavelet-Transform-based Deep Learning Method

针对ICU资源紧张问题，本研究设计基于小波变换与卷积神经网络的WT-A-CNN模型，仅需患者生命体征和入院信息即可实时预测ICU预后，在真实数据集上表现优于现有方法，并具备可解释性，助力及时干预和改善患者结局。

　　

摘要

重症监护病房（ICUs）为患有危及生命疾病的患者提供治疗。然而，全球范围内ICU资源的可用性仍然十分有限。因此，尽早进行ICU预后预测并促进ICU资源的有效利用至关重要。但目前现有的ICU预后预测方法存在局限性，如预测准确性不高，且依赖于耗时较多的实验室检测或专家领域的专业知识。在这项研究中，我们设计了一种基于小波变换的加性卷积神经网络（WT-A-CNN），该网络仅需患者的生命体征数据以及入院时的信息即可实现实时ICU预后预测。该模型通过一个大型真实世界ICU数据库进行了评估，在ICU死亡率和住院时长预测任务上均优于现有的最先进方法。此外，该模型的加性结构有助于模型解释，并分析不同患者群体中哪些输入信号对ICU预后预测更为关键。我们的工作为ICU预后预测提供了一种高效工具，使医疗人员能够及时对高危患者采取行动，从而减少对患者预后的负面影响。