A multi-cohort study on prediction of acute brain dysfunction states using selective state space models

📄 arXiv: 2403.07201v1 📥 PDF

作者: Brandon Silva, Miguel Contreras, Sabyasachi Bandyopadhyay, Yuanfang Ren, Ziyuan Guan, Jeremy Balch, Kia Khezeli, Tezcan Ozrazgat Baslanti, Ben Shickel, Azra Bihorac, Parisa Rashidi

分类: cs.LG, cs.AI, stat.AP

发布日期: 2024-03-11

备注: 22 pages, 8 figures, To be published

💡 一句话要点

提出基于选择性状态空间模型的急性脑功能障碍预测方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 急性脑功能障碍 重症监护 电子健康记录 动态预测 选择性状态空间模型 临床决策支持 机器学习

📋 核心要点

  1. 现有方法主要依赖于临床观察，无法动态预测急性脑功能障碍状态，且通常只预测单一状态。
  2. 本研究利用电子健康记录数据，提出了一种动态预测谵妄、昏迷和死亡风险的自动化方法，填补了现有文献的空白。
  3. 通过在多个数据集上验证，MAMBA模型在12小时内的ABD预测中达到了0.95的AUROC，显示出显著的性能提升。

📝 摘要（中文）

急性脑功能障碍（ABD），包括谵妄和昏迷，在重症监护病房（ICU）中评估是一项关键挑战。现有的诊断方法依赖于不频繁的临床观察，无法在发作后及时确定患者的ABD状态。本文利用电子健康记录（EHR）数据，开发了自动化的ABD预测方法，能够动态预测ICU患者在12小时内的谵妄、昏迷和死亡风险，并在两个公共数据集上进行了验证。研究还引入了实时动态预测从非ABD到ABD及不同ABD状态之间的关键转变的概念，具有更高的临床信息价值。通过MAMBA模型，研究在12小时内的ABD预测中达到了0.95的平均接收者操作特征曲线下面积（AUROC）。

🔬 方法详解

问题定义：本研究旨在解决急性脑功能障碍（ABD）状态的动态预测问题。现有方法通常只能在发作后进行单一状态的预测，且需要至少24小时的观察数据，无法实时反映患者状态的变化。

核心思路：本研究通过利用电子健康记录（EHR）数据，开发了一种选择性状态空间模型（MAMBA），能够在ICU患者的住院期间动态预测谵妄、昏迷及死亡风险。该模型的设计旨在实时捕捉患者状态的变化，提供更为及时的临床信息。

技术框架：研究的整体架构包括数据预处理、模型训练和验证三个主要模块。首先，从EHR中提取相关特征，然后使用MAMBA模型进行动态预测，最后在多个数据集上进行内部和外部验证，以确保模型的鲁棒性。

关键创新：本研究的主要创新在于动态预测不同ABD状态的能力，尤其是从非ABD到ABD的关键转变。这一方法与传统的静态预测方法相比，能够提供更为细致和及时的临床信息。

关键设计：在模型设计中，采用了特定的损失函数以优化预测性能，并通过调整网络结构和参数设置来提高模型的准确性和泛化能力。

📊 实验亮点

本研究在ABD预测中取得了显著的实验结果，使用MAMBA模型在12小时内的预测中达到了0.95的AUROC，且在不同ABD状态之间的转变预测中也取得了0.79的AUROC，显示出较传统方法的显著提升。

🎯 应用场景

该研究的潜在应用领域包括重症监护病房的患者管理和急性脑功能障碍的早期干预。通过实时预测ABD状态，医院工作人员可以更快地采取措施，改善患者的临床结果，降低死亡率。未来，该方法有望推广至其他医疗领域，提升整体医疗服务质量。

📄 摘要（原文）

Assessing acute brain dysfunction (ABD), including delirium and coma in the intensive care unit (ICU), is a critical challenge due to its prevalence and severe implications for patient outcomes. Current diagnostic methods rely on infrequent clinical observations, which can only determine a patient's ABD status after onset. Our research attempts to solve these problems by harnessing Electronic Health Records (EHR) data to develop automated methods for ABD prediction for patients in the ICU. Existing models solely predict a single state (e.g., either delirium or coma), require at least 24 hours of observation data to make predictions, do not dynamically predict fluctuating ABD conditions during ICU stay (typically a one-time prediction), and use small sample size, proprietary single-hospital datasets. Our research fills these gaps in the existing literature by dynamically predicting delirium, coma, and mortality for 12-hour intervals throughout an ICU stay and validating on two public datasets. Our research also introduces the concept of dynamically predicting critical transitions from non-ABD to ABD and between different ABD states in real time, which could be clinically more informative for the hospital staff. We compared the predictive performance of two state-of-the-art neural network models, the MAMBA selective state space model and the Longformer Transformer model. Using the MAMBA model, we achieved a mean area under the receiving operator characteristic curve (AUROC) of 0.95 on outcome prediction of ABD for 12-hour intervals. The model achieves a mean AUROC of 0.79 when predicting transitions between ABD states. Our study uses a curated dataset from the University of Florida Health Shands Hospital for internal validation and two publicly available datasets, MIMIC-IV and eICU, for external validation, demonstrating robustness across ICU stays from 203 hospitals and 140,945 patients.