基于 AI 的低分辨率远程监测数据中心力衰竭恶化检测

目的：由于合并症负担沉重、患者群体老龄化以及频繁住院，心力衰竭（HF）带来了医疗保健方面的挑战。远程监测通过早期发现健康状况恶化，为管理 HF 患者提供了一种前景良好的方法。开发能够从远程监测数据中自主检测病情恶化迹象的系统，有助于减轻医务人员的工作负担。方法：我们提出了 TRACER 模型，即一种采用对比事件表示的 Transformer，旨在从低分辨率且采样不规则的远程监测数据中预测通向罕见住院事件的时间线。TRACER 为每种生物标志物引入时间感知嵌入，通过对比预训练利用表示学习增强异常检测能力，并采用相互独立的二元分类器进行检测。我们使用了 276 名 HF 患者的测量数据，其中包含远程记录的生物标志物序列；依据时间规则将数据分割为相互重叠的窗口，并根据窗口末端是否发生与 HF 相关的住院事件对窗口进行标注。结果：在高度不平衡的真实世界数据集中，TRACER 能够正确预测 66.7% 的通向 HF 住院的时间线，过度估计率为 7.9%。将 TRACER 的训练重新定义为事件检测问题，相较于直接基于预测窗口进行训练，提高了预测性能，从而能够更有效地利用有限的住院事件。结论：与其他受测试模型相比，TRACER 在真实世界远程监测数据中检测病情恶化迹象方面展现出更优的性能。意义：TRACER 在识别临床状况恶化迹象方面显示出良好前景，可据此生成警报，为 HF 患者提供应对性治疗。