多尺度外源变量模型(MS-TimeXer-MoE)在创伤性失血性休克预测中的创新应用

为解决创伤患者失血性休克早期预测难题，研究人员创新性整合外源变量与多尺度特征学习，开发了MS-TimeXer-MoE混合模型。该模型通过4,870例患者数据验证，AUC达0.8995，MAE仅3.4397，R2 达87.3436%，显著提升休克预测准确性与时效性，为临床决策提供智能化支持。

　　

这项突破性研究首次将时间序列预测方法(TimeXer)与外源变量(如创伤原因、性别、年龄)相结合，构建了多专家混合模型(MS-TimeXer-MoE)。研究团队从MIMIC IV数据库中筛选4,870例创伤患者，通过60%:20%:20%比例划分数据集，创新性地融合了生命体征(内源变量)与人口统计学特征(外源变量)。

模型在分类任务中表现惊艳：AUC曲线下面积0.8995，召回率0.8607，意味着能高效识别休克风险。回归预测更展现强大时序拟合能力——MAE(3.4397)、MSE(8.2735)误差极低，MAPE仅5.9933%，而决定系数R²
高达87.3436%。五折交叉验证中MAE方差0.031，证实模型稳定性卓越。

该成果突破了传统休克预测模型的局限，通过多尺度特征捕获和专家机制协同，实现了从"被动救治"到"智能预警"的范式转变，为急诊医学提供了精准决策新工具。