HMF: A Hybrid Multi-Factor Framework for Dynamic Intraoperative Hypotension Prediction

要約

平均動脈圧 (MAP) を使用した術中低血圧 (IOH) の予測は、手術中の患者の転帰に重大な影響を与える重要な研究分野です。
しかし、既存のアプローチは主に静的モデリング パラダイムを採用しており、生理学的信号の動的な性質を無視しています。
この論文では、IOH 予測を血圧予測タスクとして再定式化する新しいハイブリッド多要素 (HMF) フレームワークを紹介します。
私たちのフレームワークは、パッチベースの入力表現を通じて MAP シリーズの時間的展開を効果的に捕捉するように特別に設計された Transformer エンコーダーを活用し、入力された生理学的シリーズを有益なパッチに分割して正確な分析を実現します。
生理学的系列における分布シフトの課題に対処するために、私たちのアプローチには 2 つの重要な革新が組み込まれています。(1) 対称正規化および非正規化プロセスは、統計的特性の分布ドリフトを軽減するのに役立ち、それによってさまざまな条件にわたるモデルの堅牢性を確保します。(2) シーケンス
分解。入力系列を傾向成分と季節成分に分解し、固有の系列依存関係のより正確なモデリングを可能にします。
2 つの現実世界のデータセットに対して行われた広範な実験により、競合ベースラインと比較して、特に正確な IOH 予測に重要な入力系列の微妙な変動の捕捉において、当社のアプローチのパフォーマンスが優れていることが実証されました。

要約(オリジナル)

Intraoperative hypotension (IOH) prediction using Mean Arterial Pressure (MAP) is a critical research area with significant implications for patient outcomes during surgery. However, existing approaches predominantly employ static modeling paradigms that overlook the dynamic nature of physiological signals. In this paper, we introduce a novel Hybrid Multi-Factor (HMF) framework that reformulates IOH prediction as a blood pressure forecasting task. Our framework leverages a Transformer encoder, specifically designed to effectively capture the temporal evolution of MAP series through a patch-based input representation, which segments the input physiological series into informative patches for accurate analysis. To address the challenges of distribution shift in physiological series, our approach incorporates two key innovations: (1) Symmetric normalization and de-normalization processes help mitigate distributional drift in statistical properties, thereby ensuring the model’s robustness across varying conditions, and (2) Sequence decomposition, which disaggregates the input series into trend and seasonal components, allowing for a more precise modeling of inherent sequence dependencies. Extensive experiments conducted on two real-world datasets demonstrate the superior performance of our approach compared to competitive baselines, particularly in capturing the nuanced variations in input series that are crucial for accurate IOH prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google