基于模糊推理与云基础设施的实时ICU事件驱动风险分析框架

《BMC Medical Informatics and Decision Making》：Real-time sepsis risk stratification on cloud data warehouses: a fuzzy inference system on MIMIC-IV

　　

摘要

重症监护监测产生持续的生理测量数据流，需要实时解释，但传统的批量分析无法捕捉对早期临床干预至关重要的时间动态。我们提出了一种端到端的事件驱动框架，该框架利用托管云基础设施（Google BigQuery）和标准 SQL，从 MIMIC-IV v3.1 数据库构建统一的、具有时间感知能力的临床事件。除了传统的基于阈值的警告外，我们实施了一个 Mamdani 模糊推理系统，该系统使用三个输入变量（qSOFA 评分、疑似感染后的时间以及感染置信度）和十三条语言规则来表示临床推理。该模糊模型在来自 17,783 次医院入住的 38,888 个 ICU 事件上产生了校准良好的风险评分（Brier = 0.090），其中 79.7% 的基于规则的警报被归类为高模糊风险，其余 20.3% 基于时间背景被分配为中风险。该系统与现有的临床指南保持一致，同时提供分级、可解释的输出。该架构证明，实时、事件驱动的分析可以由托管云仓库支持，而无需专用的流处理器，并且模糊推理提供了可扩展、可解释的风险分层，这是二元阈值无法实现的。