重症监护作为一个大的序列建模问题
内容提要
该文综述基于MIMIC-III等数据库的临床事件序列预测研究，涵盖死亡率、住院时长、表型及脓毒症预测等任务。深度学习模型在处理原始临床时间序列时多优于传统方法，Transformer、LSTM及混合专家模型等被广泛应用，但整体进展有限，标注数据不足仍是主要挑战。
延伸解读
临床预测基准的现状与挑战
文章指出，尽管基于MIMIC-III的临床预测基准（如死亡率、住院时长、表型预测）已建立多年，社区参与度高，但过去三年在预测性能上几乎没有显著进展。深度递归模型仅在某些任务上优于逻辑回归，表明该领域面临瓶颈，未来需要更理想的基准特性来推动实质性突破。
标注数据不足的应对策略
标注数据不足是重症监护机器学习的主要挑战之一。文章提到，自我监督预训练方法可利用大量无标注临床数据，在数据有限的下游任务（如院内死亡预测和表型预测）中优于基线模型。这为缓解标注瓶颈提供了可行方向，但需进一步验证其泛化能力。
模型架构的演进与比较
文章综述了多种序列建模架构：LSTM结合层次注意力处理不规则数据，Transformer模型（如Medic-BERT）在住院时长预测上优于传统方法，混合专家模型通过多个RNN覆盖患者亚群以建模异质性。这些架构各有侧重，但整体进展有限，提示单一模型难以全面解决临床序列的复杂性问题。
Q&A
重症监护中的临床事件序列预测主要使用哪些公开数据集？
主要使用MIMIC-III数据库，此外也有研究使用PhysioNet 2012数据集。
深度学习模型在临床事件序列预测中相比传统方法表现如何？
深度学习模型在使用原始临床时间序列数据作为输入特征时，通常优于传统机器学习模型和预测评分系统。
在MIMIC-III基准测试中，过去几年临床预测任务有哪些显著进展？
尽管社区参与度高，但在生存率、住院时间、表型和患者恶化等任务上，过去三年几乎没有真正显著的进展，深度递归模型仅在某些任务上优于逻辑回归。
如何解决重症监护中标注数据不足的问题？
可以采用自我监督预训练方法，在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型。
有哪些基于Transformer的模型用于临床事件序列预测？
例如Medic-BERT（M-BERT），将病人信息建模为事件序列来预测住院天数，在丹麦大型医院的45000多名急诊病人上实验，优于传统非序列机器学习方法。
混合专家模型在临床事件预测中有什么作用？
基于Mixture-of-Experts结构的神经网络模型通过多个RNN专家覆盖患者亚群来建模患者序列数据的异质性，提升多变量临床事件预测性能。
