一种用于预测术后急性肾损伤的临床可解释时间融合模型

《BMC Medical Informatics and Decision Making》：A clinically explainable temporal fusion model for predicting postoperative acute kidney injury

　　

摘要

目的

术后急性肾损伤（AKI）是一种常见的严重并发症，由复杂的围手术期生理紊乱和血流动力学不稳定驱动。目前仍需要一种机制来实现术前特征与术中动态之间的深度交互，并提供临床可解释性。

方法

我们提出了一种用于术后 AKI 预测的扩展时间融合 Transformer，专为异质临床数据和术中序列（如动脉压、药物和液体输注）设计。该模型基于带有变量选择网络的长短期记忆网络（LSTM）构建，利用门控残差网络自适应地选择静态和时间特征，并以静态上下文向量为条件。静态协变量被编码为多个上下文向量，指导时间变量选择、LSTM 初始化和时间注意力机制，模拟基线风险与术中信号波动之间的复杂交互。用于结果预测的最终表示通过使用术前状态作为注意力查询进行聚合。

结果

该模型在两个公共手术数据集上进行了评估：创新研究环境信息手术患者数据集（INSPIRE）和医学信息手术室生命体征和事件仓库（MOVER）。在所有实验中，提出的模型取得了更好的性能，并在子组分析中显示出稳定的性能。可解释性结果显示了每个时间步长下静态变量和时间序列的特征重要性，揭示该模型持续关注持续血流动力学不稳定的时期。

结论

这些发现支持了可解释围手术期决策支持系统的潜力，并强调了术中信号在 AKI 风险分层中的重要性。