一种可解释的预测过程监控方法，用于通过生命体征评估急诊患者的康复状况

《SN Comprehensive Clinical Medicine》：An Interpretable Predictive Process Monitoring Approach To Estimate the Improvement Status of Emergency Patients Using Vital Signs

急诊患者改善状况预测研究采用时间无关的可解释PPM方法，通过分析生命体征事件序列（采用三种编码策略），结合XGBoost和随机森林模型，发现最后三个事件与XGBoost模型（AUC-ROC 0.796）效果最佳，同时验证了前三个事件的有效性，为急诊风险分层提供新工具。

　　

摘要

目标

急诊科（ED）的过度拥挤是一个全球性的挑战，这凸显了早期识别高风险患者的必要性。本研究旨在开发一种与时间无关、可解释的预测过程监控方法，以根据生命体征预测急诊患者的康复状况。

背景

在以往的研究中，人们已经探索了如何预测急诊科患者的诊疗路径，通常使用预测过程监控（PPM）来预测未来事件或过程持续时间。然而，那些能够独立于绝对时间、利用生命体征来预测患者结局的可解释PPM方法仍然没有得到充分研究。

方法

来自一家学术医疗中心的急诊事件日志使用了三种基于事件序列片段而非绝对时间的索引策略进行编码。从这些序列中提取的特征被用于训练机器学习模型，包括XGBoost和随机森林（RF），以预测患者的康复状况。

结果

在各种索引方法中，最后三个事件的表现最佳，其中XGBoost的AUC-ROC值为0.796。前三个事件也提供了有价值的预测信息，表明即使不考虑绝对时间，患者事件序列的早期或后期片段也同样具有参考价值。

结论

本研究表明，一种基于生命体征的、与时间无关的可解释PPM方法能够有效预测急诊患者的结局。通过利用连续事件信息，所提出的框架能够为患者护理的早期和后期阶段提供见解，有助于改进急诊科的风险分层和决策制定。