A Hybrid Multi-Factor Network with Dynamic Sequence Modeling for Early Warning of Intraoperative Hypotension

要約

IOHが不十分な臓器灌流につながり、重度の合併症と死亡率のリスクを大幅に高める可能性があるため、過去の生理学的信号を使用した術中低血圧（IOH）予測が重要です。
ただし、現在の方法は、静的モデリングに依存しており、複雑な時間的依存性と生理学的信号の本質的に非定常性を見下ろすことに依存しています。
IOH予測を動的シーケンス予測タスクとして定式化するハイブリッドマルチファクター（HMF）ネットワークを提案し、時間的依存性と生理学的非定常性の両方を明示的にキャプチャします。
信号ダイナミクスを多変量時系列として表し、それらをトレンドと季節コンポーネントに分解し、長期的および定期的な変動の個別のモデリングを可能にします。
各コンポーネントは、計算効率と機能表現のバランスをとるために、パッチベースのトランスでエンコードされています。
進化するシグナルからの分布ドリフトに対処するために、対称的な正規化メカニズムを導入します。
公共および現実世界の臨床データセットの両方での実験は、HMFが競争の激しいベースラインを大幅に上回ることを示しています。
HMFはIOH予測に関する新しい洞察を提供し、最終的により安全な外科的ケアを促進することを願っています。
私たちのコードは、https：//github.com/mingyue-cheng/hmfで入手できます。

要約(オリジナル)

Intraoperative hypotension (IOH) prediction using past physiological signals is crucial, as IOH may lead to inadequate organ perfusion and significantly elevate the risk of severe complications and mortality. However, current methods often rely on static modeling, overlooking the complex temporal dependencies and the inherently non-stationary nature of physiological signals. We propose a Hybrid Multi-Factor (HMF) network that formulates IOH prediction as a dynamic sequence forecasting task, explicitly capturing both temporal dependencies and physiological non-stationarity. We represent signal dynamics as multivariate time series and decompose them into trend and seasonal components, enabling separate modeling of long-term and periodic variations. Each component is encoded with a patch-based Transformer to balance computational efficiency and feature representation. To address distributional drift from evolving signals, we introduce a symmetric normalization mechanism. Experiments on both public and real-world clinical datasets show that HMF significantly outperforms competitive baselines. We hope HMF offers new insights into IOH prediction and ultimately promotes safer surgical care. Our code is available at https://github.com/Mingyue-Cheng/HMF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google