ترجمه فارسی مقاله پیش‌بینی زودهنگام علل (نه اثرات) در مراقبت‌های بهداشتی با پیش‌بینی سری‌های زمانی بالینی بلندمدت

چکیده

Machine learning for early syndrome diagnosis aims to solve the intricate task of predicting a ground truth label that most often is the outcome (effect) of a medical consensus definition applied to observed clinical measurements (causes), given clinical measurements observed several hours before. Instead of focusing on the prediction of the future effect, we propose to directly predict the causes via time series forecasting (TSF) of clinical variables and determine the effect by applying the gold standard consensus definition to the forecasted values. This method has the invaluable advantage of being straightforwardly interpretable to clinical practitioners, and because model training does not rely on a particular label anymore, the forecasted data can be used to predict any consensus-based label. We exemplify our method by means of long-term TSF with Transformer models, with a focus on accurate prediction of sparse clinical variables involved in the SOFA-based Sepsis-3 definition and the new Simplified Acute Physiology Score (SAPS-II) definition. Our experiments are conducted on two datasets and show that contrary to recent proposals which advocate set function encoders for time series and direct multi-step decoders, best results are achieved by a combination of standard dense encoders with iterative multi-step decoders. The key for success of iterative multi-step decoding can be attributed to its ability to capture cross-variate dependencies and to a student forcing training strategy that teaches the model to rely on its own previous time step predictions for the next time step prediction.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشینی برای تشخیص سندرم اولیه با هدف حل وظیفه پیچیده پیش بینی یک برچسب حقیقت زمینی که اغلب نتیجه (تأثیر) تعریف اجماع پزشکی است که برای اندازه گیری های بالینی مشاهده شده (علل) اعمال می شود ، با توجه به اندازه گیری های بالینی که چندین ساعت قبل مشاهده شده است.به جای تمرکز بر پیش بینی اثر آینده ، ما پیشنهاد می کنیم علل را از طریق پیش بینی سری زمانی (TSF) متغیرهای بالینی پیش بینی کنیم و با استفاده از تعریف اجماع استاندارد طلا در مقادیر پیش بینی شده ، تأثیر را تعیین کنیم.این روش از مزیت ارزشمندی از ساده بودن تفسیر برای پزشکان بالینی برخوردار است ، و از آنجا که آموزش مدل دیگر به یک برچسب خاص متکی نیست ، از داده های پیش بینی شده می توان برای پیش بینی هر برچسب مبتنی بر اجماع استفاده کرد.ما روش خود را با استفاده از TSF طولانی مدت با مدل های ترانسفورماتور ، با تمرکز بر پیش بینی دقیق متغیرهای بالینی پراکنده درگیر در تعریف SEPSIS-3 مبتنی بر مبل و تعریف جدید فیزیولوژی حاد جدید (SAPS-II) مثال می زنیم.آزمایشات ما بر روی دو مجموعه داده انجام می شود و نشان می دهد که برخلاف پیشنهادهای اخیر که از رمزگذارهای مجموعه ای برای سری زمانی و رمزگشایی های چند مرحله ای مستقیم حمایت می کنند ، بهترین نتیجه با ترکیبی از رمزگذارهای متراکم استاندارد با رمزگشده های چند مرحله ای تکراری حاصل می شود.نکته اصلی موفقیت در رمزگشایی چند مرحله ای تکراری را می توان به توانایی آن در گرفتن وابستگی های متقاطع متقاطع و دانشجویی که مجبور به آموزش آموزش است که به مدل آموزش می دهد ، نسبت به پیش بینی های مرحله زمانی قبلی خود برای پیش بینی مرحله بعدی متکی باشد.