Early Risk Prediction of Pediatric Cardiac Arrest from Electronic Health Records via Multimodal Fused Transformer
Created by
Haebom
저자
Jiaying Lu, Stephanie R. Brown, Songyuan Liu, Shifan Zhao, Kejun Dong, Del Bold, Michael Fundora, Alaa Aljiffry, Alex Fedorov, Jocelyn Grunwell, Xiao Hu
개요
소아 심정지(CA)의 조기 예측은 고위험 중환자실 환경에서 시기 적절한 개입에 중요합니다. 본 연구는 전자 건강 기록(EHR)의 표 형태 데이터와 텍스트 형태 데이터를 융합하는 새로운 transformer 기반 프레임워크인 PedCA-FT를 제시합니다. 각 모달리티에 특화된 transformer 모듈을 사용하여 고차원 위험 요인 및 역동성 간의 복잡한 시간적 및 문맥적 패턴을 포착하여 강력한 CA 위험 예측치를 생성합니다. CHOA-CICU 데이터베이스의 소아 코호트에 대한 평가 결과, 제시된 방법은 5가지 주요 성능 지표에서 다른 10가지 인공지능 모델을 능가하며 임상적으로 의미 있는 위험 요인을 식별합니다. 이러한 결과는 다중 모달 융합 기술이 조기 CA 탐지 및 환자 치료 개선에 기여할 가능성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
다중 모달(표 형태 및 텍스트 형태 EHR 데이터) 융합을 통한 소아 심정지 조기 예측 모델 PedCA-FT 제시.
◦
기존 10가지 AI 모델 대비 5가지 주요 성능 지표에서 우수한 성능을 입증.
◦
임상적으로 의미있는 위험 요인 식별 가능.
◦
소아 심정지 조기 탐지 및 환자 치료 개선에 기여할 가능성 제시.
•
한계점:
◦
특정 병원(CHOA-CICU) 데이터베이스에 대한 평가 결과이므로 일반화 가능성에 대한 추가 연구 필요.
