Pharmacokinetic State Space Models for Unbiased Prediction of Haemodynamic Collapse

📄 arXiv: 2609.24338v1 📥 PDF

作者: Rithin Nagaraj, Sudiksha Chindula, Bhaskarjyoti Das

分类: cs.LG

发布日期: 2026-09-21

备注: Published in Springer Nature after presenting at the International Conference on AI in Healthcare, London

DOI: 10.1007/978-3-032-35387-0_22

💡 一句话要点

提出药物动力学状态空间模型以预测血流动力学崩溃

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 药物动力学 状态空间模型 术中低血压 预测模型 临床应用 机器学习 实时监测

📋 核心要点

  1. 现有的预测模型未能充分利用药物输注历史，导致术中低血压的预测能力不足。
  2. 本文提出了一种药物动力学状态空间模型，利用药物输注历史来预测即将发生的血流动力学变化。
  3. 实验结果表明，该模型在AUROC和AUPRC上均显著优于随机猜测，验证了其有效性和实用性。

📝 摘要（中文）

术中低血压（IOH）事件是全身麻醉过程中常见的并发症，临床管理通常是反应性的而非预测性的。现有的预测模型忽视了药物输注历史这一重要信号。本文提出的模型在接收者操作特征曲线（AUROC）上达到了0.7360，在精确率-召回率曲线（AUPRC）上达到了0.1794，较随机猜测基线提升了2.73倍。去除丙泊酚和瑞芬太尼效应位浓度后，AUPRC下降了13.9%。此外，未进行前导间隙过滤的训练使AUROC下降了16.7%。最后，基于Mamba的架构在不同序列长度下保持了恒定的内存占用，适合术中连续部署。

🔬 方法详解

问题定义：本文旨在解决术中低血压事件的预测问题，现有方法未能考虑药物输注历史，导致预测效果不佳。

核心思路：提出了一种药物动力学状态空间模型，利用药物输注历史作为预测信号，以提前识别血流动力学变化。

技术框架：模型包括药物动力学轨迹的建模、数据输入处理和预测输出模块，整体流程为数据采集、模型训练和实时预测。

关键创新：模型通过引入药物输注历史，显著提高了预测准确性，与传统方法相比，能够更好地捕捉即将发生的低血压事件。

关键设计：采用了Mamba架构以减少内存占用，并设置了适当的损失函数和参数，以优化模型在不同序列长度下的表现。该设计使得模型在实际应用中更具可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，模型在AUROC上达到了0.7360，AUPRC为0.1794，较随机猜测基线提升了2.73倍。去除关键药物效应后，AUPRC下降13.9%，验证了药物动力学轨迹在预测中的重要性。

🎯 应用场景

该研究的潜在应用领域包括麻醉监测、重症监护和手术室管理等。通过提供更准确的低血压预测，能够帮助临床医生提前采取措施，降低术中并发症的风险，提高患者安全性和手术成功率。

📄 摘要（原文）

An Intraoperative Hypotension (IOH) event is a frequent complication during administration of general anaesthesia with serious downstream consequences, yet clinical management remains reactive and not predictive. Existing predictive models, however, ignore drug infusion history as a valuable signal for prediction despite its direct pharmacological relevance. Our model achieves an Area Under the Receiver Operating Characteristic curve (AUROC) of 0.7360 and an Area Under the Precision-Recall Curve (AUPRC) of 0.1794, representing a 2.73-fold lift over the random guessing AUPRC baseline (0.0657), with the removal of propofol and remifentanil effect-site concentrations resulting in a 13.9% AUPRC drop compared to the full model. This is consistent with the hypothesis that pharmacokinetic trajectories encode impending haemodynamic changes before they manifest in the Mean Arterial Pressure (MAP). Additionally, this paper shows that training without lead-gap filtering degraded AUROC by 16.7%, empirically confirming that unfiltered models learn to detect ongoing hypotension rather than predict future events. Finally, a Mamba-based architecture achieves the aforementioned high prediction performance while maintaining a constant memory footprint across a range of sequence lengths, unlike the quadratic VRAM overhead typical of vanilla Transformers, making it the more practical choice for continuous intraoperative deployment.