ترجمه فارسی مقاله HMF: یک چارچوب چند عاملی ترکیبی برای پیش بینی فشار خون حین عمل پویا

چکیده

Intraoperative hypotension (IOH) prediction using Mean Arterial Pressure (MAP) is a critical research area with significant implications for patient outcomes during surgery. However, existing approaches predominantly employ static modeling paradigms that overlook the dynamic nature of physiological signals. In this paper, we introduce a novel Hybrid Multi-Factor (HMF) framework that reformulates IOH prediction as a blood pressure forecasting task. Our framework leverages a Transformer encoder, specifically designed to effectively capture the temporal evolution of MAP series through a patch-based input representation, which segments the input physiological series into informative patches for accurate analysis. To address the challenges of distribution shift in physiological series, our approach incorporates two key innovations: (1) Symmetric normalization and de-normalization processes help mitigate distributional drift in statistical properties, thereby ensuring the model’s robustness across varying conditions, and (2) Sequence decomposition, which disaggregates the input series into trend and seasonal components, allowing for a more precise modeling of inherent sequence dependencies. Extensive experiments conducted on two real-world datasets demonstrate the superior performance of our approach compared to competitive baselines, particularly in capturing the nuanced variations in input series that are crucial for accurate IOH prediction.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی فشار خون بالا (IOH) با استفاده از میانگین فشار شریانی (MAP) یک منطقه تحقیقاتی مهم است که پیامدهای قابل توجهی برای نتایج بیمار در طول عمل دارد.با این حال ، رویکردهای موجود عمدتاً از الگوی مدل سازی استاتیک استفاده می کنند که از ماهیت پویا سیگنال های فیزیولوژیکی غافل می شوند.در این مقاله ، ما یک چارچوب جدید هیبریدی چند عاملی (HMF) را معرفی می کنیم که پیش بینی IOH را به عنوان یک کار پیش بینی فشار خون اصلاح می کند.چارچوب ما از یک رمزگذار ترانسفورماتور استفاده می کند ، به طور خاص برای ضبط موثر تکامل زمانی سری MAP از طریق بازنمایی ورودی مبتنی بر پچ ، که سری فیزیولوژیکی ورودی را برای تجزیه و تحلیل دقیق به دست می آورد.برای پرداختن به چالش های تغییر توزیع در سری های فیزیولوژیکی ، رویکرد ما شامل دو نوآوری کلیدی است: (1) فرآیندهای عادی سازی متقارن و تخلیه مجدد به کاهش رانش توزیع در خصوصیات آماری کمک می کند ، در نتیجه تضمین استحکام مدل در شرایط مختلف و (2) دنبالهتجزیه ، که سری ورودی را به مؤلفه های روند و فصلی تفکیک می کند ، و این امکان را برای مدل سازی دقیق تر وابستگی های توالی ذاتی فراهم می کند.آزمایش های گسترده ای که بر روی دو مجموعه داده در دنیای واقعی انجام شده است ، عملکرد برتر رویکرد ما را در مقایسه با خطوط رقابتی نشان می دهد ، به ویژه در ضبط تغییرات ظریف در سری ورودی که برای پیش بینی دقیق IOH بسیار مهم هستند.