First-ICU：利用图神经网络自编码器对重症监护室（ICU）的干预措施进行预测并进行风险分层

《npj Digital Medicine》：FIRST-ICU: forecasting interventions and risk stratification in the ICU using graph neural network autoencoders

　　

摘要

危重患者常常需要同时进行多种相互关联的干预措施，然而现有的预测模型将这些干预措施视为独立事件进行处理。我们开发了FIRST-ICU（ICU中干预措施与风险分层的预测系统），这是一个统一的深度学习框架，整合了图神经网络编码器、LSTM以及一种新颖的干预交互注意力模块（IIAM），用于联合预测七种ICU干预措施。FIRST-ICU基于MIMIC-IV数据集（n = 23,926例）进行训练，并在AmsterdamUMCdb数据集（n = 12,603例）上进行了外部验证，无需重新训练。时间解码器对所有干预措施的AUC-ROC值均超过0.98，Brier分数均低于0.035。离散解码器的性能优于现有的最佳基线模型，在七种干预措施中有六种的宏观平均精度最高。其中，血管加压药物的预测效果提升最为显著：去甲肾上腺素和苯肾上腺素的预测精度分别比基于CNN的基线模型提高了28.0%和32.8%。消融分析表明，IIAM显著提升了AUC-PR值，尤其是在血管加压药物的预测方面。冷启动分析证实，仅利用生理信号即可实现可靠的预测（AUC-PR范围为0.667–0.868）。尽管各医院的用药实践存在显著差异，外部验证仍显示所有干预措施的AUC-ROC值均超过0.90。生成拓扑映射层识别出了六种具有临床意义的表型，从而实现了可解释的风险分层。FIRST-ICU通过联合建模治疗共现模式、验证生理学习机制、实现跨大陆的泛化能力以及提供可解释的风险分层，推动了多干预措施预测技术的发展。它为ICU的决策支持提供了一个实用框架。