顶刊速看:《EClinicalMedicine》IF=9.6 基于时序融合模型的术中血压预测模型的开...

正文

请到「今天看啥」查看全文

1 连续平均动脉压（MAP）预测

（1） 在内部和外部测试集中，随着预测时间间隔的缩短，MAE也相应减小，反之亦然。

（2）TFT模型的一个关键特性是 利用过去的数据来预测血压 。

当有药物数据时， TFT模型的预测效果显著提升 。 模型的注意力机制能够过滤出更相关的时间点数据。

2 二分类低血压预测

• 预测目标

预测未来1分钟、3分钟、5分钟和7分钟内血压降至65 mmHg以下的可能性。

图 4：低血压二分类预测的表现。时序融合转换（TFT）模型 (a, c) 和极端梯度提升（XGB）模型 (b, d) 在 1、3、5 和 7 分钟时间窗口内预测低血压的接收者操作特征（ROC）曲线。ROC 曲线下面积（AUC）值显示两种分类器在内部验证中具有较高准确性，但在外部验证中有适度下降。TFT 分类器的性能随时间略有下降，而 XGB 分类器在内部表现优异，但外部性能有所减弱。

• 模型比较

使用TFT模型和XGB模型进行预测，并比较两者的性能。

内部测试集表现：

两种模型的AUROC得分均超过0.9，XGB模型在5分钟和7分钟时点的区分能力稍强。

外部测试集表现：

两种模型的区分能力在外部测试集中有所下降。 TFT模型在不同时间点之间的区分能力保持稳定，而XGB模型的区分能力随着预测时间增加而下降。

• 校准结果

TFT模型的经验校准误差（ECE）在内部测试集中为0.05到0.11，在外部测试集中为0.06到0.08，显示出低血压发生概率的过高估计。

XGB模型在内部测试集中校准良好（ECE < 0.03），但在外部测试集中校准较差（7分钟时ECE > 0.15），同样过高估计低血压发生概率。

• 校准图示

请到「今天看啥」查看全文