TDSTF: Transformer-based Diffusion probabilistic model for Sparse Time series Forecasting

要約

背景と目的: 集中治療室 (ICU) におけるバイタルサインのモニタリングは、患者への迅速な介入を可能にするために非常に重要です。
これは、正確な予測システムの必要性を強調しています。
したがって、この研究では、ICU における心拍数 (HR)、収縮期血圧 (SBP)、および拡張期血圧 (DBP) を予測するための新しい深層学習アプローチを提案します。
方法: モデルのトレーニングとテストのために、46,000 ドルを超える患者のデータを含む MIMIC-III データベースから 24,886 ドルの ICU 滞在日数を抽出しました。
この研究で提案されたモデル、疎時系列予測のためのトランスフォーマーベースの拡散確率モデル (TDSTF) は、トランスフォーマー モデルと拡散モデルをマージしてバイタル サインを予測します。
TDSTF モデルは、ICU でのバイタル サインの予測において最先端のパフォーマンスを示し、バイタル サインの分布を予測する他のモデルの能力を上回り、計算効率が高くなりました。
コードは https://github.com/PingChang818/TDSTF で入手できます。
結果: 研究の結果、TDSTF は $0.4438$ の標準化平均連続順位付け確率スコア (SACRPS) と $0.4168$ の平均二乗誤差 (MSE) を達成し、これは、以前と比べて $18.9\%$ と $34.3\%$ 改善したことを示しました。
それぞれ最適なベースライン モデル。
TDSTF の推論速度は、最良のベースライン モデルよりも $17$ 倍以上高速です。
結論: TDSTF は、ICU におけるバイタルサインを予測するための効果的かつ効率的なソリューションであり、この分野の他のモデルと比較して大幅な改善を示しています。

要約(オリジナル)

Background and Objective: Vital sign monitoring in the Intensive Care Unit (ICU) is crucial for enabling prompt interventions for patients. This underscores the need for an accurate predictive system. Therefore, this study proposes a novel deep learning approach for forecasting Heart Rate (HR), Systolic Blood Pressure (SBP), and Diastolic Blood Pressure (DBP) in the ICU. Methods: We extracted $24,886$ ICU stays from the MIMIC-III database which contains data from over $46$ thousand patients, to train and test the model. The model proposed in this study, Transformer-based Diffusion Probabilistic Model for Sparse Time Series Forecasting (TDSTF), merges Transformer and diffusion models to forecast vital signs. The TDSTF model showed state-of-the-art performance in predicting vital signs in the ICU, outperforming other models’ ability to predict distributions of vital signs and being more computationally efficient. The code is available at https://github.com/PingChang818/TDSTF. Results: The results of the study showed that TDSTF achieved a Standardized Average Continuous Ranked Probability Score (SACRPS) of $0.4438$ and a Mean Squared Error (MSE) of $0.4168$, an improvement of $18.9\%$ and $34.3\%$ over the best baseline model, respectively. The inference speed of TDSTF is more than $17$ times faster than the best baseline model. Conclusion: TDSTF is an effective and efficient solution for forecasting vital signs in the ICU, and it shows a significant improvement compared to other models in the field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google