TFT-multi: simultaneous forecasting of vital sign trajectories in the ICU

要約

医療データの軌跡予測は、精密な治療と計算手法の臨床統合における重要な研究分野です。
近年、生成 AI モデルは、時系列データの短距離および長距離の依存関係を捕捉する際に有望な結果を示しています。
これらのモデルはヘルスケアにも適用されていますが、そのほとんどは一度に 1 つの値しか予測しないため、一度に複数の測定が行われる臨床現場では非現実的です。
この研究では、マルチホライズン時系列予測ツールであるフレームワーク時間融合トランスフォーマー (TFT) を拡張し、複数のバイタルトラジェクトリを同時に予測できるエンドツーエンドのフレームワークである TFT-multi を提案します。
TFT マルチを適用して、集中治療室で記録された 5 つのバイタルサイン (血圧、脈拍、SpO2、体温、呼吸数) を予測します。
私たちは、相互に相関していることが多いこれらの測定値を共同で予測することにより、特に欠損が大きい変数において、より正確な予測を行うことができると仮説を立てています。
私たちは、公開 MIMIC データセットと独立機関のデータセットでモデルを検証し、このアプローチがオリジナルの TFT や Prophet を含む最先端の単変量予測ツールや、多変量予測のベクトル回帰モデリングよりも優れていることを実証します。
さらに、実際および仮説上の昇圧剤投与に応じた血圧変化を予測するパイプラインを適用することにより、研究ケース分析を実行します。

要約(オリジナル)

Trajectory forecasting in healthcare data has been an important area of research in precision care and clinical integration for computational methods. In recent years, generative AI models have demonstrated promising results in capturing short and long range dependencies in time series data. While these models have also been applied in healthcare, most of them only predict one value at a time, which is unrealistic in a clinical setting where multiple measures are taken at once. In this work, we extend the framework temporal fusion transformer (TFT), a multi-horizon time series prediction tool, and propose TFT-multi, an end-to-end framework that can predict multiple vital trajectories simultaneously. We apply TFT-multi to forecast 5 vital signs recorded in the intensive care unit: blood pressure, pulse, SpO2, temperature and respiratory rate. We hypothesize that by jointly predicting these measures, which are often correlated with one another, we can make more accurate predictions, especially in variables with large missingness. We validate our model on the public MIMIC dataset and an independent institutional dataset, and demonstrate that this approach outperforms state-of-the-art univariate prediction tools including the original TFT and Prophet, as well as vector regression modeling for multivariate prediction. Furthermore, we perform a study case analysis by applying our pipeline to forecast blood pressure changes in response to actual and hypothetical pressor administration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google