A multi-cohort study on prediction of acute brain dysfunction states using selective state space models

评估重症监护室（ICU）中的急性脑功能障碍（ABD），包括谵妄和昏迷，是一项重要的挑战，因为其普遍性和对患者结果的严重影响。目前的诊断方法依赖于不频繁的临床观察，只能在发作后确定患者的ABD状态。我们的研究试图通过利用电子健康记录（EHR）数据开发自动化的ABD预测方法，解决这些问题。现有模型仅预测单一状态（例如，谵妄或昏迷），需要至少24小时的观察数据来进行预测，在ICU逗留期间不能动态预测波动的ABD情况（通常是一次性预测），并使用小样本量、专有的单一医院数据集。我们的研究通过在ICU逗留期间动态预测谵妄、昏迷和死亡状态，并在两个公共数据集上进行验证，填补了现有文献中的这些空白。我们的研究还引入了实时动态预测从非ABD到ABD和不同ABD状态之间的关键转换的概念，这对医院工作人员来说可能更具临床信息价值。我们比较了两种最先进的神经网络模型——MAMBA选择性状态空间模型和Longformer Transformer模型的预测性能。使用MAMBA模型，我们在12小时间隔的ABD结果预测上实现了平均接收操作特征曲线下面积（AUROC）为0.95的预测性能。该模型在预测ABD状态之间的转换时平均AUROC为0.79。我们的研究使用了来自佛罗里达大学健康Shands医院的策划数据集进行内部验证，并使用了两个公开可用的数据集MIMIC-IV和eICU进行外部验证，展示了来自203家医院和140,945名患者的ICU逗留期间的稳健性。

论文旨在利用电子健康记录（EHR）数据，开发自动化的方法来预测重症监护病房（ICU）中患者的急性脑功能障碍（ABD），包括谵妄和昏迷。现有的模型只能预测单一状态，需要至少24小时的观察数据来进行预测，并且使用小样本量、专有的单一医院数据集，无法动态预测ICU逗留期间波动的ABD状态。

论文提出了动态预测谵妄、昏迷和死亡的方法，以12小时为间隔动态预测ICU逗留期间的ABD状态，同时引入了从非ABD到ABD和不同ABD状态之间的关键转换的概念。使用两种最先进的神经网络模型，MAMBA选择性状态空间模型和Longformer Transformer模型进行预测。

论文使用了来自佛罗里达大学健康Shands医院的数据集进行内部验证，并使用了两个公开可用的数据集，MIMIC-IV和eICU，进行外部验证，证明了跨203家医院和140,945名患者的ICU逗留的鲁棒性。实验结果表明，使用MAMBA模型，论文在12小时间隔的ABD结果预测上获得了0.95的平均接收操作特征曲线下面积（AUROC），在预测ABD状态之间的转换时，平均AUROC为0.79。

在这个领域中，最近的相关研究包括：1）使用深度学习模型预测ICU患者的谵妄状态；2）使用机器学习方法预测ICU患者的死亡风险；3）使用基于时间的模型预测ICU患者的康复时间。