《Frontiers in Artificial Intelligence》：Performance evaluation of ARIMA, VAR, ANN, GRU, and LSTM for multivariate healthcare time-series prediction: a rigorous, reproducible benchmarking study with ablation analysis on MIMIC-III and eICU
编辑推荐：
摘要翻译：引言：重症监护病房（ICU）中生理时间序列的准确预测对于早期预警系统、病情恶化检测和动态资源分配至关重要。然而，现有比较研究存在五个持续性的方法论缺陷：实验条件不统一、预处理方法异质、以单变量经典模型对比多变量神经模型、缺乏方差估计的单次运行点估计、
摘要翻译：引言：重症监护病房（ICU）中生理时间序列的准确预测对于早期预警系统、病情恶化检测和动态资源分配至关重要。然而，现有比较研究存在五个持续性的方法论缺陷：实验条件不统一、预处理方法异质、以单变量经典模型对比多变量神经模型、缺乏方差估计的单次运行点估计、以及预测任务描述不明确。方法：本文通过一项标准化、可复现的基准研究同时纠正上述五项缺陷，比较了自回归积分滑动平均（ARIMA）、向量自回归（VAR）、人工神经网络（ANN）、门控循环单元（GRU）和长短期记忆网络（LSTM）在心率、呼吸频率、收缩压、舒张压和血氧饱和度上的一步（1小时）预测性能，研究基于两个大规模ICU队列（8,000例MIMIC-III和15,000例eICU入院记录）。研究人员引入VAR作为多变量线性基线，与单变量ARIMA并列，从而能够将性能增益三向分解为多变量建模、非线性逼近和门控时间记忆三部分。所有实验在10个独立随机种子下重复进行，结果以均值±95%置信区间报告，并采用Diebold-Mariano检验、配对t检验和Bonferroni校正方差分析进行显著性检验。此外还开展了七类消融研究、临床警报模拟、留一医院交叉验证和亚组公平性分析。结果：LSTM在MIMIC-III上取得最高性能（RMSE 0.082±0.004，R2 0.940±0.008，方向准确率90.1%±0.9%），GRU以64%的训练成本达到接近相等的准确率。分层分解显示，门控时间记忆提供了最大的边际增益（相比ANN的RMSE降低?47%至?53%），其次是非线性逼近（相比VAR降低?19%）和多变量建模（相比ARIMA降低?13%）。消融研究确定归一化是最关键的预处理步骤（移除后RMSE增加+79.3%），并确定最佳窗口长度为l=10。临床警报模拟表明，与仅阈值监测相比，LSTM的误警报率降低38.4%；留一医院实验证实了跨机构泛化能力且模型排名保持一致。讨论：亚组公平性分析识别出重症患者（序贯器官衰竭评估评分≥8，比率1.27）的性能差距，值得未来开展针对性研究。这些结果为ICU生理预测建立了一个可复用的、方法学严谨的基准，并为临床部署提供了可操作的模型选择指导。
论文解读：研究背景与问题：重症监护病房（ICU）中，生理参数的连续监测产生丰富的时间序列数据，但传统阈值报警系统误报率极高（超过85%），导致报警疲劳和临床响应延迟。准确预测生理轨迹可显著降低误报并提升恶化事件敏感性。然而，既往时间序列预测比较研究存在五种系统性方法学缺陷：实验条件不统一、预处理流程异质、经典基线（ARIMA）仅以单变量模式与多变量深度模型对比、缺乏多次运行的方差报告、预测任务定义模糊。这些问题导致模型间优劣比较不可靠，也掩盖了多变量建模、非线性拟合和时序记忆各自对性能提升的贡献。为此，研究人员设计了严格的标准化基准研究，填补上述空白。研究内容与结论：本研究在统一实验流水线下，对ARIMA、向量自回归（VAR）、人工神经网络（ANN）、门控循环单元（GRU）和长短期记忆网络（LSTM）五种模型开展一步（1小时）前瞻预测，目标变量为心率、呼吸频率、收缩压、舒张压和血氧饱和度。训练和测试数据来自MIMIC-III（8,000例入院记录）和eICU（15,000例入院记录）两个大型ICU队列。所有实验在10个随机种子下重复，报告均值±95%置信区间，并通过Diebold-Mariano检验、配对t检验和Bonferroni校正方差分析进行显著性验证。关键发现包括：（1）LSTM在MIMIC-III上取得最优性能（RMSE 0.082±0.004，R2 0.940±0.008，方向准确率90.1%）；GRU以64%训练成本达到近似性能，适合资源受限部署。（2）通过引入VAR作为多变量线性基线，实现性能增益三向分解：多变量建模贡献?13% RMSE，非线性逼近贡献?19%，门控时间记忆贡献最大（?47%至?53%）。（3）消融实验表明归一化是最关键预处理步骤（缺失时RMSE上升79.3%），最佳窗口长度l=10，序列长度过长反而引入噪声。（4）临床警报模拟中，LSTM相较阈值仅报警系统降低38.4%误报率，同时保持84.6%敏感性。（5）留一医院交叉验证确认模型排名在不同医院间保持稳定，但LSTM跨医院性能下降幅度（+12.8%）高于ARIMA（+7.9%），提示需领域自适应策略。（6）亚组公平性分析发现重症患者（SOFA评分≥8）的预测误差比总体高27%（比率1.27），且该差距在所有模型类中普遍存在，源于重症患者信号的固有高变异性和缺失模式。主要技术方法：研究采用标准化预处理流水线，包括以LOCF和线性插值填补缺失值、统一重采样至1小时分辨率、Min-Max归一化、ADF检验与差分平稳化（仅用于ARIMA和VAR）、滑动窗口构造（窗口长度经验证集搜索确定为l=10）。模型训练使用Adam优化器（学习率0.001，批次大小32），早停策略patience=15，学习率采用ReduceLROnPlateau计划；消融共分七类：预处理、序列长度、网络深度、循环单元数、dropout率、学习率调度和输入信号。评估包括RMSE、MAE、sMAPE、R2、方向准确率，配以DM检验、配对t检验及Bonferroni校正ANOVA。警报模拟采用轨迹变化阈值规则，亚组分析按年龄、性别和SOFA评分分层。研究结果：主要性能（MIMIC-III）——LSTM在所有五项指标上最优（RMSE 0.082±0.004，MAE 0.061±0.003，sMAPE 5.3%±0.2%，R2 0.940±0.008，方向准确率90.1%±0.9%）；提升呈分层递进：ARIMA→VAR→ANN→GRU→LSTM，对应多元线性、非线性、门控记忆的逐步贡献。外部验证（eICU）——所有模型排名与MIMIC-III一致，但性能略降；ARIMA降幅最大，神经模型相对鲁棒。逐变量分析——呼吸频率在所有模型中预测难度最高（LSTM上RMSE比心率高26.8%），SpO2最易预测；难度排序跨模型一致。显著性检验——LSTM与其他所有模型差异经Bonferroni校正后均显著，其中LSTM vs GRU效应量中等（Cohen's d=0.51），其余为较大效应。跨医院泛化——LSTM在留一医院评估中仍保持最佳RMSE，但相对标准测试的退化幅度（+12.8%）大于ARIMA（+7.9%），表明神经模型更依赖机构特定特征。临床警报模拟——LSTM F1最高（0.741），误报率0.318，较基线降低38.4%；GRU相近（FAR 0.341，降低33.9%），ARIMA表现最弱。亚组公平性——性别差异不显著（比率1.02）；年龄≥65岁组有轻度差距（比率1.16）；SOFA≥8重症组差距显著（比率1.27），且此差距跨模型类型一致。消融实验——归一化影响最大（+79.3% RMSE）；去重采样次之（+56.1%）；零填充替代LOCF导致+36.6%退化；序列长度l=10为最优；ANN两层深度最佳；64个循环单元最优；dropout=0.2最优；ReduceLROnPlateau调度最优；去除呼吸率输入导致最大性能下降（+14.6%），说明高相关信号具有互补信息。讨论与结论：研究首次将VAR引入ICU预测基准，通过三向分解证实此前文献中深度学习优势被高估——约13%的所谓“智能”增益实为多变量线性结构所致。门控时序记忆是最大优势来源，且LSTM的额外细胞状态在1小时预测中优势有限，GRU提供了精度-效率更平衡的选择。误报率显著降低具有直接临床价值，但需前瞻性试验验证。重症亚组性能差距提示需发展严重度分层模型、整合治疗干预特征、以及不确定性量化。跨医院退化建议采用域对抗训练、测试时自适应或联邦学习策略。此项研究建立的标准化基准可用于未来Transformer、混合模型及基础模型的客观评估，并为临床部署提供了具体指导：追求最高精度选LSTM，受约束场景选GRU，多变量线性基线用VAR而非ARIMA，预处理以归一化为第一优先。局限性包括仅覆盖1小时预测、未纳入Transformer/TCM及外源输入、警报模拟简化、数据均来自美国医院等，未来需多步预测、更广模型空间、前瞻性临床验证。
