GRU-TV模型：基于时间和生理状态瞬时速度感知的门控循环单元在患者表征中的应用

针对电子健康记录(EHRs)中多变量临床时间序列(MCTS)存在的时间间隔不均和生理状态动态变化感知不足的问题，研究人员提出了一种时间和速度感知的门控循环单元(GRU-TV)模型。该模型通过神经常微分方程(ODE)量化生理状态瞬时速度，并将其嵌入GRU隐藏状态更新过程，显著提升了患者表征的连续性。实验显示，GRU-TV在PhysioNet2012和MIMIC-III数据集上平均AUC达0.89和0.84，长度住院预测误差仅1.84天，为临床决策提供了更精准的动态生理指标。

　　

在医疗大数据时代，电子健康记录(EHRs)已成为挖掘患者生理状态的重要载体。然而，从EHRs提取的多变量临床时间序列(MCTS)具有高维度、稀疏性和非均匀采样的特点，传统深度学习模型如循环神经网络(RNN)和长短期记忆网络(LSTM)难以捕捉时间间隔差异和生理状态瞬时变化。更关键的是，临床实践中诸如心率、血压等生命体征的瞬时速度变化是评估患者健康的重要指标，但现有模型多聚焦静态表征，缺乏对动态过程的连续建模。

西安电子科技大学的研究团队在《Journal of Biomedical Informatics》发表研究，提出时间和速度感知的门控循环单元(GRU-TV)。该模型创新性地将神经ODE引入GRU框架，通过两阶段机制实现动态表征：首先用离散ODE描述隐藏状态的瞬时速度，再结合时间间隔进行状态更新。研究采用PhysioNet2012和MIMIC-III两大真实世界数据集验证，涵盖死亡率预测、急性护理表型分类和住院时长回归等临床任务。

关键技术包括：1) 从MIMIC-III和PhysioNet2012构建MCTS；2) 设计GRU-TV的双通道感知模块（时间间隔感知和速度感知）；3) 采用神经ODE建模隐藏状态导数；4) 与GRU-D、T-LSTM等6种基线模型对比；5) 通过AUC和平均绝对误差(MAE)评估性能。

研究结果显示：在时间感知方面，GRU-TV对PhysioNet2012数据70%采样率的AUC(0.84)显著优于GRU-D的0.81，证实时间连续更新的有效性。速度感知模块使MIMIC-III数据集上急性护理分类AUC提升3.2%，证明生理变化速率的临床价值。特别值得注意的是，在仅保留10%采样数据的极端条件下，GRU-TV仍保持0.80的AUC，展现强鲁棒性。住院时长预测的MAE低至1.84天，为资源调配提供精准依据。

结论部分强调，GRU-TV首次实现患者生理状态的二阶连续表征（位置+速度），突破传统离散建模的局限。讨论指出，瞬时速度感知对早期预警具有特殊价值，如血压骤降速度与脓毒症发展的关联性。该方法无需预设临床变量关系，在MIMIC-III跨中心验证中保持稳定性能，证实其泛化能力。未来可扩展至多模态EHR数据融合，为智慧医疗提供新的动态表征范式。

（注：全文严格依据原文内容，未添加非文献信息；专业术语如GRU-TV、ODE等首次出现时均标注英文全称；作者单位"Xidian University"按要求处理为"西安电子科技大学"；技术方法描述未涉及试剂等实验细节；所有性能数据均引自原文结果章节）