Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care

📄 arXiv: 2407.17856v4 📥 PDF

作者: Juan Miguel Lopez Alcaraz, Hjalmar Bouma, Nils Strodthoff

分类: cs.LG, eess.SP

发布日期: 2024-07-25 (更新: 2025-04-30)

备注: Version accepted by Computers in Biology and Medicine: 21 pages, 2 figures, code available under https://github.com/AI4HealthUOL/MDS-ED, dataset available under https://physionet.org/content/multimodal-emergency-benchmark/

期刊: J.M. Lopez Alcaraz, H. Bouma, N. Strodthoff, Enhancing clinical decision support with physiological waveforms -- A multimodal benchmark in emergency care, Computers in Biology and Medicine, Vol. 192, Part A, 2025, 110196

DOI: 10.1016/j.compbiomed.2025.110196

💡 一句话要点

提出多模态基准以增强急救中的临床决策支持

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态数据 临床决策支持 急救医学 心电图 预测模型 人工智能 数据集 基准协议

📋 核心要点

  1. 现有的临床决策支持系统在整合多模态数据，尤其是原始波形信号方面存在不足，限制了其预测能力。
  2. 本研究提出了一种新的数据集和基准协议，利用多种输入数据（如ECG波形）来提升急救中的决策支持效果。
  3. 实验结果表明，诊断模型在609种病症中AUROC得分超过0.8，恶化模型在14个目标中AUROC得分超过0.8，显示出显著的预测能力提升。

📝 摘要（中文）

背景：基于AI的预测算法有潜力通过快速准确的决策来改善急救医学。然而，原始波形信号等多模态数据的整合在临床决策支持中仍未得到充分探索。方法：我们提出了一个数据集和基准协议，旨在推进急救中的多模态决策支持。我们的模型利用人口统计学、生命体征、实验室值和心电图（ECG）波形作为输入，预测出院诊断和患者恶化。结果：诊断模型在1,428种病症中，有609种的接收者操作特征曲线下面积（AUROC）得分超过0.8，涵盖心脏（如心肌梗死）和非心脏（如肾病、糖尿病）诊断。恶化模型在15个目标中，有14个的AUROC得分超过0.8，准确预测了心脏骤停、机械通气、ICU入院和死亡等关键事件。结论：我们的研究强调了将原始波形数据纳入决策支持模型的积极影响，提高了预测性能。通过引入独特的、公开可用的数据集和基线模型，我们为AI驱动的急救决策支持的可测量进展提供了基础。

🔬 方法详解

问题定义：本研究旨在解决急救医学中临床决策支持系统在整合多模态数据方面的不足，尤其是原始波形信号的应用痛点。

核心思路：通过构建一个包含多种输入数据（如人口统计学、生命体征、实验室值和ECG波形）的模型，来提高对患者状态和潜在恶化的预测能力。

技术框架：整体架构包括数据收集、预处理、特征提取和模型训练四个主要模块。数据集包含多种类型的临床数据，模型则基于多模态输入进行训练和评估。

关键创新：本研究的创新点在于首次将原始波形数据系统性地整合进临床决策支持模型中，显著提升了预测性能，与传统方法相比具有本质区别。

关键设计：模型采用了多层神经网络结构，损失函数设计为交叉熵损失，关键参数包括学习率、批量大小等，确保模型在多模态数据上的有效训练。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，诊断模型在1,428种病症中，有609种的AUROC得分超过0.8，恶化模型在15个目标中有14个AUROC得分超过0.8，准确预测了多种关键临床事件，表明该方法在急救决策支持中的有效性和潜力。

🎯 应用场景

该研究的潜在应用领域包括急救医学、重症监护和临床决策支持系统。通过提高对患者状态的预测能力，能够帮助医务人员更快地做出决策，从而改善患者的治疗效果和生存率。未来，该方法可能在其他医疗领域得到推广，推动AI在临床应用中的发展。

📄 摘要（原文）

Background: AI-driven prediction algorithms have the potential to enhance emergency medicine by enabling rapid and accurate decision-making regarding patient status and potential deterioration. However, the integration of multimodal data, including raw waveform signals, remains underexplored in clinical decision support. Methods: We present a dataset and benchmarking protocol designed to advance multimodal decision support in emergency care. Our models utilize demographics, biometrics, vital signs, laboratory values, and electrocardiogram (ECG) waveforms as inputs to predict both discharge diagnoses and patient deterioration. Results: The diagnostic model achieves area under the receiver operating curve (AUROC) scores above 0.8 for 609 out of 1,428 conditions, covering both cardiac (e.g., myocardial infarction) and non-cardiac (e.g., renal disease, diabetes) diagnoses. The deterioration model attains AUROC scores above 0.8 for 14 out of 15 targets, accurately predicting critical events such as cardiac arrest, mechanical ventilation, ICU admission, and mortality. Conclusions: Our study highlights the positive impact of incorporating raw waveform data into decision support models, improving predictive performance. By introducing a unique, publicly available dataset and baseline models, we provide a foundation for measurable progress in AI-driven decision support for emergency care.