arXiv cs.AI· Chenyang Wang, Jiawei Theresa Tang, Xinran Liu, Xinyu Lu, Xulei Yang·· 13 小时前AI 评分22
NECA：用邻居事件曲线增强多时间跨度 ICU 器官衰竭预测
NECA: Neighbor Event Curve Augmentation for Multi-Horizon ICU Deterioration Prediction
AI 导读
NECA 是一种模型无关方法，通过检索训练集中早期窗口特征相似的患者，将其后续器官功能障碍事件发生时间转换为 6h、12h、24h、42h 的累积事件曲线特征，并与原始患者表征拼接供下游预测器使用。
正文 · AI 翻译
摘要：ICU 器官功能障碍事件的早期预测有助于及时进行临床监测和干预，但由于测量不规则、临床变量异质性强，且需要预测多个未来时间窗的风险，从早期 ICU 记录中估计短期器官特异性风险仍具挑战性。现有监督模型通常将每位患者视为孤立样本，未显式利用相似历史患者中观察到的事件时间。我们提出邻域事件曲线增强（NECA），这是一种与模型无关的方法，它检索早期窗口特征相似的训练集患者，并将其后续器官功能障碍事件发生时间转换为 6h、12h、24h 和 42h 的累积事件曲线特征。这些特征与原始患者表示拼接，供标准下游预测器使用。在 PhysioNet 2012 和包含 4,000 次住院的 MIMIC-IV 子集上，NECA 在四项器官功能障碍事件任务和七种监督学习器上提升了平均 PR-AUC 和 ROC-AUC。最大增益出现在神经系统功能障碍事件上，在 PhysioNet 2012 上任务级平均 PR-AUC 从 0.461 提升至 0.557。消融实验表明，具有临床意义的检索和特定时间窗的邻居风险驱动了大部分改进，而完整累积曲线则增加了依赖任务的时间上下文。这些结果支持将相似患者的事件时间作为 ICU 器官功能障碍事件预测的结构化时间风险信号。源代码将在本文被接收后公开发布。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.40420 [cs.LG] |
| （或 arXiv:2610.40420v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.40420 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chenyang Wang [查看邮箱]
[v1]
2026年10月29日星期四 16:45:26 UTC（240 KB）
来源：arXiv cs.AI · arxiv.org