[论文解读] Predicting Blood Pressure Response to Fluid Bolus Therapy Using Attention-Based Neural Networks for Clinical Interpretability

Uma Girkar, Ryo Uchimido+4 more|arXiv (Cornell University)|Dec 3, 2018

Hemodynamic Monitoring and Therapy参考文献 15被引用 9

一句话总结

本研究基于MIMIC-III数据库中的时间序列临床数据，开发了一种基于注意力机制的深度学习模型，用于预测重症监护病房（ICU）患者对液体复苏治疗（FBT）的血压反应。带有注意力机制的堆叠LSTM模型表现最佳（准确率：0.852，AUC：0.925），在实现高预测准确性的同时，通过识别影响FBT成功的关键生理时间点和特征，实现了临床可解释性。

ABSTRACT

Determining whether hypotensive patients in intensive care units (ICUs) should receive fluid bolus therapy (FBT) has been an extremely challenging task for intensive care physicians as the corresponding increase in blood pressure has been hard to predict. Our study utilized regression models and attention-based recurrent neural network (RNN) algorithms and a multi-clinical information system large-scale database to build models that can predict the successful response to FBT among hypotensive patients in ICUs. We investigated both time-aggregated modeling using logistic regression algorithms with regularization and time-series modeling using the long short term memory network (LSTM) and the gated recurrent units network (GRU) with the attention mechanism for clinical interpretability. Among all modeling strategies, the stacked LSTM with the attention mechanism yielded the most predictable model with the highest accuracy of 0.852 and area under the curve (AUC) value of 0.925. The study results may help identify hypotensive patients in ICUs who will have sufficient blood pressure recovery after FBT.

研究动机与目标

• 改善对重症监护病房（ICU）患者液体复苏治疗（FBT）后血压反应的预测，这些患者尽管广泛使用FBT，但往往无反应。
• 解决临床挑战：通过识别可能从FBT中受益的患者，避免不必要的液体输注。
• 开发一种机器学习模型，兼具高预测性能与临床可解释性，适用于真实世界的ICU环境。
• 探究使用循环神经网络（RNN）的时间序列建模是否优于时间聚合模型，以预测FBT反应。
• 利用注意力机制识别影响FBT成功的关键临床特征和时间点。

提出的方法

• 利用大规模ICU数据库（MIMIC-III），包含17,977名在入院24小时内接受FBT的低血压患者。
• 提取了29项临床特征，包括人口统计学信息、共病、生命体征、实验室检查值以及血管活性药物剂量，涵盖时间静态和时间动态特征。
• 应用正则化逻辑回归、多层感知机以及带或不带注意力机制的循环神经网络（LSTM和GRU）。
• 采用12、36和72个时间步长的时序分割，评估时间粒度对模型性能的影响。
• 使用注意力机制识别FBT前对模型决策最具影响力的时序点。
• 使用自编码器从原始临床数据中提取紧凑且信息丰富的特征表示。

实验结果

研究问题

• RQ1 与传统的时间聚合模型相比，带有注意力机制的循环神经网络是否能提升对液体复苏治疗（FBT）后血压反应的预测性能？
• RQ2 哪些临床特征对成功响应FBT最具预测性，且其临床合理性如何？
• RQ3 RNN中的注意力机制是否能识别出影响FBT结果的关键临床轨迹时间点？
• RQ4 与原始特征相比，使用分布式表示（自编码器输出）是否能提升模型性能？
• RQ5 使用时间序列数据建模FBT反应时，最优的时间粒度是什么？

主要发现

• 带有注意力机制的堆叠LSTM模型表现最佳，准确率达到0.852，受试者工作特征曲线下面积（AUC）为0.925。
• 使用72个时间步长（约20分钟间隔）的模型优于更粗粒度的设置，表明细粒度时序建模可提升预测性能。
• LASSO正则化逻辑回归识别出呼吸频率、舒张压、体温、碳酸氢盐和碱剩余为最重要的预测特征，这些特征在以往临床研究中被低估。
• 注意力机制突出显示了最接近FBT给药时间的时间点最具影响力，与临床直觉一致，增强了模型的可解释性。
• 使用自编码器生成的特征表示与原始特征相比性能相当，表明其在高维临床数据场景中的实用性。
• 带注意力机制的GRU和LSTM模型优于无注意力机制的对应模型，证明注意力机制在识别显著时间模式方面的价值。