基于实时信号的小波长短期记忆模型在重症监护病房患者住院时长预测中的应用：开发与评估研究

《JMIR AI》：A Real-Time Signal-Based Wavelet Long Short-Term Memory Method for Length-of-Stay Prediction for the Intensive Care Unit: Development and Evaluation Study

有效资源分配是ICU运营的关键，但现有预测模型多依赖完整数据，难以实时应用。本研究提出WT-LSTM模型，通过小波变换降噪与LSTM时序建模，仅利用3项实时生命体征数据（心率、呼吸、血氧）预测ICU留置时间。实验表明，WT-LSTM在10类常见诊断中均优于线性回归、LSTM及BiLSTM基线模型，平均MSE降低3.3%，其中心律失常组（RD）性能提升达9.61%。对比临床主流APACHE IV系统，WT-LSTM在3小时数据输入下仍有8类疾病预测表现更优，MSE最高降低36.84%。该模型成功突破传统方法对历史数据的需求，为实时资源优化提供新工具。

　　本文探讨了重症监护室（ICU）住院时间预测模型的开发与应用，特别是提出了一种基于离散小波变换（DWT）和长短期记忆网络（LSTM）的混合模型——小波长短期记忆模型（WT-LSTM）。研究的核心目标是利用实时生命体征数据，构建一个能够提供早期且准确预测的模型，以帮助优化ICU的资源分配和管理效率。随着医疗资源管理的日益复杂，ICU的运营成本占医院总预算的较大比例，精确预测住院时间对于改善医疗服务质量、优化资源配置以及提升医院运营效率具有重要意义。

在医疗实践中，ICU的管理通常需要大量的患者信息，包括人口统计学数据、诊断信息和实验室检测结果等。然而，在某些紧急情况下，这些信息可能无法及时获取，特别是对于身份不明的患者。因此，开发一个仅依赖于实时生命体征数据的预测模型，能够有效应对这一挑战，使医疗团队能够在有限的信息基础上做出更精准的决策。WT-LSTM模型的设计正是基于这一需求，旨在通过实时数据进行早期预测，从而提升ICU的管理效率。

研究采用电子ICU数据库（eICU）作为数据来源，该数据库涵盖了多种常见ICU诊断，如心力衰竭（HF）、脑血管意外（CVA）、心肌梗死（MI）等。这些诊断在临床实践中较为普遍，因此模型的测试结果具有较高的参考价值。模型的输入包括心率、呼吸频率和血氧饱和度（SaO2）等生命体征数据，这些数据在ICU环境中通常是实时可获取的，因此为模型的实时预测提供了良好的数据基础。

在模型结构方面，WT-LSTM通过将离散小波变换应用于生命体征数据，以过滤掉其中的噪声，从而提取出更清晰的信号。随后，这些信号被输入到LSTM网络中，以捕捉生命体征随时间变化的模式。LSTM因其能够处理序列数据而被广泛应用于时间序列预测任务，但其在处理噪声数据时可能受到一定影响。因此，小波变换的应用有助于提高LSTM模型的鲁棒性，从而提升整体预测性能。

实验结果显示，WT-LSTM在大多数患者群体中表现优于传统的线性回归、LSTM和双向LSTM（BiLSTM）模型。尤其是在使用仅3小时的生命体征数据时，WT-LSTM在超过一半的患者群体中超过了当前广泛使用的APACHE IV模型。这一结果表明，即使在数据有限的情况下，该模型也能提供相对准确的预测，具有显著的早期预测能力。同时，研究还发现，小波变换的加入使得模型的预测误差平均减少了3.3%，这一改进在某些特定患者群体中尤为明显。

值得注意的是，尽管WT-LSTM在多数情况下表现优异，但其预测结果在某些患者群体中仍存在一定的局限性。例如，在心力衰竭（HF）和败血症（SP）等疾病中，由于生命体征的变化可能较为复杂，模型的预测效果相对较低。此外，该模型在个体层面的预测能力也受到一定限制，表现为较低的R2值和较大的预测误差。这些局限性表明，WT-LSTM虽然在群体层面的预测具有较高的实用性，但在个体层面的应用仍需谨慎。

研究还对比了WT-LSTM与APACHE IV模型在预测分布上的差异。结果显示，APACHE IV模型的预测值往往较为保守，而WT-LSTM的预测值则更接近实际分布的平均值。这一特性使得WT-LSTM在早期预警方面具有潜在优势，能够更早地识别患者病情的变化趋势。此外，随着输入时间窗口的延长，模型的预测分布逐渐趋于分散，与实际住院时间分布更加吻合，这表明更长的输入时间窗口有助于提高预测的准确性。

从实际应用角度来看，WT-LSTM模型在ICU管理中的价值主要体现在其对资源优化的贡献。通过早期预测，医院可以更好地安排床位、调整医护人员配置，并在必要时采取干预措施。这种预测能力对于提升ICU的运营效率和患者护理质量具有重要意义。此外，模型的轻量化设计也使其在资源有限的医疗机构中具备良好的推广潜力。

研究还指出，WT-LSTM模型在某些特定患者群体中表现出更强的预测能力，例如心律失常（RD）和糖尿病酮症酸中毒（DK）等。这些疾病的患者生命体征的变化模式较为明显，因此模型能够更准确地捕捉其住院时间的预测信号。相比之下，在某些疾病如冠状动脉搭桥手术（CABG）中，由于生命体征的变化较为有限，模型的预测效果相对较低。

为了进一步提升模型的性能，研究建议未来可以考虑引入更多辅助信息，如药物使用记录、干预措施和临床文档等。这些信息能够帮助模型更全面地理解患者的病情，从而提高预测的准确性。此外，研究还提到，模型的预测结果可能受到疾病类型和生命体征变化模式的影响，因此在实际应用中，需要结合具体的临床背景进行评估和优化。

总的来说，WT-LSTM模型为ICU住院时间预测提供了一种新的解决方案，其结合了信号处理技术和深度学习的优势，能够在数据有限的情况下实现较高的预测准确率。尽管在某些情况下模型的表现仍有提升空间，但其在早期预测和资源优化方面的潜力不容忽视。未来的研究可以进一步探索模型的扩展性，以适应更多样化的患者群体，并通过引入更多临床信息来增强其预测能力。