Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations

要約

背景と目的：多剤耐性（MDR）は重要な世界的な健康問題であり、病院の滞在、医療費、死亡率の増加を引き起こします。
この研究では、MDR予測のための解釈可能な機械学習（ML）フレームワークを提案し、正確な推論と説明可能性の強化の両方を目指しています。
方法：患者は多変量時系列（MTS）としてモデル化され、臨床的進行と患者と患者の相互作用を捕捉します。
患者間の類似性は、MTSベースの方法を使用して定量化されます：記述統計、動的タイムワーピング、およびタイムクラスターカーネル。
これらの類似性測定値は、ロジスティック回帰、ランダムフォレスト、およびサポートベクターマシンを介したMDR分類の入力として機能し、次元削減とカーネル変換によりモデルのパフォーマンスが向上します。
説明可能性のために、患者の類似性ネットワークはこれらのメトリックから構築されます。
スペクトルクラスタリングとT-SNEが適用され、MDR関連のサブグループを識別し、リスクの高いクラスターを視覚化し、臨床的に関連するパターンに関する洞察を可能にします。
結果：フレームワークは、フエンラブラダ大学病院のICU電子健康記録で検証され、81％のAUCを達成しました。
グラフベースの患者の類似性を活用することにより、ベースラインMLおよびディープラーニングモデルよりも優れています。
このアプローチは、抗生物質の長期使用、侵襲的手順、共感染、拡張ICUの滞在など、重要な危険因子を特定し、臨床的に意味のあるクラスターを明らかにします。
コードと結果は、\ https：//github.com/oscarescuderoarnanz/dm4mtsで入手できます。
結論：グラフベースの分析と組み合わせた患者の類似性表現は、正確なMDR予測と解釈可能な洞察を提供します。
この方法は、早期の検出、危険因子の識別、および患者の層別化をサポートし、クリティカルケアにおける説明可能なMLの可能性を強調します。

要約(オリジナル)

Background and Objectives: Multidrug Resistance (MDR) is a critical global health issue, causing increased hospital stays, healthcare costs, and mortality. This study proposes an interpretable Machine Learning (ML) framework for MDR prediction, aiming for both accurate inference and enhanced explainability. Methods: Patients are modeled as Multivariate Time Series (MTS), capturing clinical progression and patient-to-patient interactions. Similarity among patients is quantified using MTS-based methods: descriptive statistics, Dynamic Time Warping, and Time Cluster Kernel. These similarity measures serve as inputs for MDR classification via Logistic Regression, Random Forest, and Support Vector Machines, with dimensionality reduction and kernel transformations improving model performance. For explainability, patient similarity networks are constructed from these metrics. Spectral clustering and t-SNE are applied to identify MDR-related subgroups and visualize high-risk clusters, enabling insight into clinically relevant patterns. Results: The framework was validated on ICU Electronic Health Records from the University Hospital of Fuenlabrada, achieving an AUC of 81%. It outperforms baseline ML and deep learning models by leveraging graph-based patient similarity. The approach identifies key risk factors — prolonged antibiotic use, invasive procedures, co-infections, and extended ICU stays — and reveals clinically meaningful clusters. Code and results are available at \https://github.com/oscarescuderoarnanz/DM4MTS. Conclusions: Patient similarity representations combined with graph-based analysis provide accurate MDR prediction and interpretable insights. This method supports early detection, risk factor identification, and patient stratification, highlighting the potential of explainable ML in critical care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google