KDD2020 Identifying Sepsis Subphenotypes via Time-Aware Multi-Modal Auto-Encoder 时间感知多模式自动编码器——阅读笔记

Identifying Sepsis Subphenotypes via Time-Aware Multi-Modal Auto-Encoder

1、背景介绍

脓毒症是一种异质性临床综合征，是医院重症监护病房（ICU）死亡的主要原因。确定脓毒症的亚表型可以进行更精确的治疗，并导致更有针对性的临床干预。最近，电子健康记录（EHR）上的败血症分型引起了医疗研究人员的兴趣。然而，大多数脓毒症亚型研究忽略了EHR数据的暂时性，并且缺少数值。在本文中，我们提出了一个新的败血症分型框架来解决这两个问题。我们的子类型框架包括一个新的时间感知多模式自动编码器（TAME）模型，该模型引入了时间感知注意机制，并结合了多模式输入（如人口统计、诊断、药物、实验室测试和生命体征）来插补缺失值，一种动态时间包装（DTW）方法用于根据插补EHR数据测量患者的时间相似性，并采用加权k-means算法对患者进行聚类。对真实数据集的综合实验表明，TAME在插补精度方面优于基线。在分析TAME输入的EHR数据后，我们确定了脓毒症患者的四种新的亚表型，为改进脓毒症管理的个性化铺平了道路。

2、问题描述

现有研究存在两个主要局限性。（i） 现有的脓毒症分型框架采用临床变量的聚合来计算患者的相似性，忽略了变量的暂时性、EHR数据的重要特征。（ii）大多数现有子类型模型存在缺失值。然而，用于脓毒症患者亚型的变量有各种缺失率，特别是在患者入院和ICU入住的早期阶段，许多变量的缺失率相对较高。

3、模型方法

将人口统计、诊断、药物、实验室测量数据进行多模式融合。