在常规采集的多变量ICU生理信号中协同学习共同潜在表示
Collaborative learning of common latent representations in routinely collected multivariate ICU physiological signals
AI总结：
本文提出一种结合LSTM与协同过滤的机器学习方法，从常规ICU多变量生理信号中学习共同潜在表示，用于脑损伤患者颅内高压检测，AUC达0.889，并优于自编码器。
摘要：
在重症监护病房（ICU）中，多变量时间序列的丰富性为机器学习（ML）增强患者表型分析提供了机会。与以往专注于电子健康记录（EHR）的研究不同，本文提出一种利用常规采集的生理时间序列数据进行表型分析的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤思想相结合，以识别患者之间共同的生理状态。在真实世界ICU临床数据上针对脑损伤患者颅内高压（IH）检测进行测试，我们的方法取得了0.889的曲线下面积（AUC）和0.725的平均精度（AP）。此外，我们的算法在学习更具结构化的生理信号潜在表示方面优于自编码器。这些发现凸显了我们的方法在患者表型分析方面的前景，即利用常规采集的多变量时间序列来改善临床护理实践。
英文摘要：
In Intensive Care Units (ICU), the abundance of multivariate time series presents an opportunity for machine learning (ML) to enhance patient phenotyping. In contrast to previous research focused on electronic health records (EHR), here we propose an ML approach for phenotyping using routinely collected physiological time series data. Our new algorithm integrates Long Short-Term Memory (LSTM) networks with collaborative filtering concepts to identify common physiological states across patients. Tested on real-world ICU clinical data for intracranial hypertension (IH) detection in patients with brain injury, our method achieved an area under the curve (AUC) of 0.889 and average precision (AP) of 0.725. Moreover, our algorithm outperforms autoencoders in learning more structured latent representations of the physiological signals. These findings highlight the promise of our methodology for patient phenotyping, leveraging routinely collected multivariate time series to improve clinical care practices.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
