Early sepsis prediction using a hybrid LSTM-GAT model: a study on the PhysioNet 2019 dataset.
- Modèle hybride LSTM-GAT
- Prédiction de la sepsis 12 heures à l'avance
- Performance supérieure aux modèles de référence
L'article est un preprint (score actuel 0.1864) et n'a pas été validé par des essais cliniques randomisés.
Entraînement sur des fenêtres temporelles fixes Nécessité de validation sur des données externes Absence de données sur les résultats cliniques réels
Contexte : La sepsis, réponse systémique mortelle à une infection, nécessite une intervention précoce pour réduire la mortalité. L'objectif de cette étude était de développer un modèle d'apprentissage profond hybride pour prédire la sepsis à l'avance, en intégrant des informations temporelles et structurelles des données cliniques. Méthode : Un modèle combinant réseaux à mémoire à court terme (LSTM) et réseaux d'attention sur graphe (GAT) a été développé, entraîné sur le dataset PhysioNet 2019 comprenant des données horaires de 40 variables cliniques pour 40 336 patients adultes en soins intensifs. Résultats : Le modèle LSTM-GAT a atteint une AUROC de 0,853±0,005, un F1-score de 0,627±0,006 et une spécificité de 0,872±0,007, surpassant les modèles de référence. Intérêt clinique : Cette approche permet une identification précoce des patients à risque, améliorant les décisions cliniques en milieu critique. Limites : Le modèle a été entraîné sur des fenêtres temporelles fixes, et ses performances nécessitent validation sur des données plus diversifiées.
Modèle hybride LSTM-GAT Prédiction de la sepsis 12 heures à l'avance Performance supérieure aux modèles de référence Données de 40 336 patients en soins intensifs
Détection précoce des patients à risque Support à la prise de décision en temps réel Amélioration des taux de survie en soins intensifs
Preprint