[论文解读] Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data

Hamid Ghaderi, Brandon Foreman+4 more|PubMed|Mar 23, 2023

Traumatic Brain Injury and Neurovascular Disturbances参考文献 19被引用 6

一句话总结

本研究提出SLAC-Time，一种用于多变量临床时间序列数据的自监督聚类方法，可在不进行插补或聚合的情况下保持时间完整性。在TBI数据上的应用识别出三种具有独特特征谱的生理状态，经专家评审和聚类指标验证，揭示了临床事件如何影响状态转换。

ABSTRACT

Determining clinically relevant physiological states from multivariate time-series data with missing values is essential for providing appropriate treatment for acute conditions such as Traumatic Brain Injury (TBI), respiratory failure, and heart failure. Utilizing non-temporal clustering or data imputation and aggregation techniques may lead to loss of valuable information and biased analyses. In our study, we apply the SLAC-Time algorithm, an innovative self-supervision-based approach that maintains data integrity by avoiding imputation or aggregation, offering a more useful representation of acute patient states. By using SLAC-Time to cluster data in a large research dataset, we identified three distinct TBI physiological states and their specific feature profiles. We employed various clustering evaluation metrics and incorporated input from a clinical domain expert to validate and interpret the identified physiological states. Further, we discovered how specific clinical events and interventions can influence patient states and state transitions.

研究动机与目标

• 从多变量时间序列数据中识别创伤性脑损伤（TBI）患者中具有临床意义的生理状态。
• 解决传统插补或聚合方法在危重症数据中扭曲时间模式的局限性。
• 开发一种自监督方法，在保持数据完整性的同时实现急性患者状态的有意义聚类。
• 通过临床专家解读和聚类评估指标验证识别出的生理状态。
• 探讨临床干预和事件如何影响生理状态之间的转换。

提出的方法

• 本研究采用SLAC-Time，一种基于自监督的算法，专为无需数据插补或聚合的多变量时间序列聚类而设计。
• SLAC-Time通过对比时间片段学习表征，保留原始数据结构，并自然地处理缺失值。
• 该方法利用为临床时间序列优化的对比学习框架，将时间序列数据聚类为不同的生理状态。
• 通过多种指标（如轮廓系数、Calinski-Harabasz指数）评估聚类结果，以确保鲁棒性。
• 临床领域专家验证了识别出的状态及其特征谱的可解释性和临床相关性。
• 分析状态转换与记录的临床事件和干预措施之间的关系，以评估其影响。

实验结果

研究问题

• RQ1 在不进行插补或聚合的情况下，能否从多变量TBI时间序列数据中识别出不同的生理状态？
• RQ2 这些识别出的生理状态在临床特征谱方面有何差异？
• RQ3 临床事件和干预在多大程度上影响这些生理状态之间的转换？
• RQ4 当由临床专家验证时，聚类结果的鲁棒性和可解释性如何？
• RQ5 自监督表征学习能否有效捕捉急性监护环境中的有意义生理状态？

主要发现

• SLAC-Time成功在不进行数据插补或聚合的情况下，利用多变量时间序列数据在TBI患者中识别出三种不同的生理状态。
• 识别出的三种状态表现出独特且具有临床可解释性的特征谱，经领域专家评审验证。
• 聚类评估指标（包括轮廓系数和Calinski-Harabasz指数）证实了所识别聚类的鲁棒性。
• 临床事件（如药物给药和干预措施）被发现显著影响生理状态之间的转换。
• 自监督方法保持了时间动态特性，并在捕捉有意义患者状态方面优于传统的基于插补的聚类方法。
• 本研究证明，SLAC-Time能够发现危重症数据中具有生理相关性的状态，支持个性化治疗方案的制定。