Continuous Cardiac Arrest Prediction in ICU using PPG Foundation Model

📄 arXiv: 2502.08612v1 📥 PDF

作者: Saurabh Kataria, Ran Xiao, Timothy Ruchti, Matthew Clark, Jiaying Lu, Randall J. Lee, Jocelyn Grunwell, Xiao Hu

分类: cs.LG

发布日期: 2025-02-12

💡 一句话要点

提出基于PPG预训练模型的FEAN网络，用于ICU中连续心搏骤停预测。

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

关键词: 心搏骤停预测 光电容积脉搏波 预训练模型 特征提取 序列分类

📋 核心要点

  1. 现有方法在利用非侵入式患者监测技术预测急性健康事件方面存在局限性，尤其是在仅依赖单模态生理信号进行心搏骤停预测时。
  2. 论文提出了一种名为FEAN的两阶段模型，该模型利用预训练的PPG基础模型提取特征，并结合序列分类模型进行心搏骤停预测。
  3. 实验结果表明，该模型在心搏骤停事件发生前24小时的预测中，AUROC达到0.79，在事件发生前1小时达到0.82，显著提升了预测性能。

📝 摘要（中文）

本研究探索了利用单通道手指光电容积脉搏波(PPG)信号进行院内心搏骤停(IHCA)预测。提出了一种两阶段模型，即特征提取-聚合网络(FEAN)，该网络利用预训练PPG基础模型(PPG-GPT，最大可达10亿参数)提取的强大表征，并将其与序列分类模型堆叠。提出了两种FEAN变体(“1H”、“FH”)，分别使用最近一小时和(最多)24小时的历史数据进行决策。本研究首次展示了仅使用单模态(连续PPG信号)波形深度表征在ICU患者中进行IHCA预测的结果。最佳模型在CA事件发生前24小时预测窗口内获得了0.79的平均AUROC，在CA事件发生前一小时达到峰值性能0.82。此外，还通过架构调整和PaCMAP潜在空间中的患者健康轨迹可视化，对模型进行了全面分析。

🔬 方法详解

问题定义：论文旨在解决ICU患者中院内心搏骤停(IHCA)的早期预测问题。现有方法可能依赖多模态数据或复杂的特征工程，而本研究专注于仅使用单通道PPG信号进行预测，挑战在于如何从单一模态的连续波形数据中提取有效的心搏骤停预警信息。

核心思路：论文的核心思路是利用大规模PPG数据预训练的PPG基础模型，学习通用的PPG信号表征。这些预训练模型能够捕捉PPG信号中的细微变化，从而为心搏骤停预测提供更强大的特征。通过迁移学习，将这些预训练的特征应用于ICU患者的IHCA预测任务。

技术框架：论文提出的FEAN模型包含两个主要阶段：特征提取器和聚合器。特征提取器使用预训练的PPG-GPT模型提取PPG信号的深度表征。聚合器则使用序列分类模型（例如LSTM或Transformer）对提取的特征进行时间序列建模，并最终预测心搏骤停的风险。论文提出了两种FEAN变体：“1H”使用最近一小时的历史数据，“FH”使用最多24小时的历史数据。

关键创新：最重要的创新点在于利用预训练的PPG基础模型进行特征提取。与传统的手工特征工程或浅层学习方法相比，预训练模型能够自动学习更具判别性的特征，从而提高预测性能。此外，该研究是首次尝试仅使用单模态连续PPG信号进行ICU患者的IHCA预测。

关键设计：PPG-GPT模型的大小从较小规模到10亿参数不等，以研究模型规模对性能的影响。序列分类模型可以选择LSTM或Transformer。损失函数通常采用二元交叉熵损失，用于衡量预测概率与真实标签之间的差异。PaCMAP可视化用于分析患者在潜在空间中的健康轨迹，从而更好地理解模型的预测行为。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于PPG预训练模型的FEAN网络在ICU患者心搏骤停预测任务中表现出色。最佳模型在CA事件发生前24小时预测窗口内获得了0.79的平均AUROC，在CA事件发生前一小时达到峰值性能0.82。这表明该模型能够有效捕捉PPG信号中的早期预警信息，为临床干预提供支持。

🎯 应用场景

该研究成果可应用于ICU患者的实时监测系统，通过持续分析PPG信号，提前预警心搏骤停风险，为医护人员提供宝贵的干预时间。这有助于降低ICU患者的死亡率，提高医疗资源利用率，并为开发更智能化的患者监护设备奠定基础。

📄 摘要（原文）

Non-invasive patient monitoring for tracking and predicting adverse acute health events is an emerging area of research. We pursue in-hospital cardiac arrest (IHCA) prediction using only single-channel finger photoplethysmography (PPG) signals. Our proposed two-stage model Feature Extractor-Aggregator Network (FEAN) leverages powerful representations from pre-trained PPG foundation models (PPG-GPT of size up to 1 Billion) stacked with sequential classification models. We propose two FEAN variants ("1H", "FH") which use the latest one-hour and (max) 24-hour history to make decisions respectively. Our study is the first to present IHCA prediction results in ICU patients using only unimodal (continuous PPG signal) waveform deep representations. With our best model, we obtain an average of 0.79 AUROC over 24~h prediction window before CA event onset with our model peaking performance at 0.82 one hour before CA. We also provide a comprehensive analysis of our model through architectural tuning and PaCMAP visualization of patient health trajectory in latent space.