可解释的人工智能用于感染预防与控制：在爱尔兰医院使用Transformer模型对CPE感染和患

于红博

摘要: 产碳青霉烯酶的肠杆菌对医院感染预防和控制构成了一个关键问题。然而，先前突出的CPE相关风险，如再入院、死亡率和延长住院时间（LOS）的预测建模仍未得到充分探讨，特别是在现代深度学习方法方面。本研究引入了一个可解释的AI建模框架，从爱尔兰医院的电子医疗记录数据中调查CPE对患者结果的影响。我们分析了爱尔兰急性医院的住院数据集，包括诊断代码、病房转移、患者人口统计学、感染相关变量和联系网络特征。与传统机器学习模型一起对几种基于Transformer的架构进行了基准测试。预测了临床结果，并应用XAI技术解释模型决策。我们的框架成功展示了Transformer模型的实用性，TabTransformer在多个临床预测任务中始终优于基线，特别是在CPE获取（AUROC和灵敏度）方面。我们发现与感染相关的特征，包括历史性医院暴露、入院背景和网络中心性测量，在预测患者结果和CPE获取风险方面起着极大的影响。解释性分析显示，“居住区域”、“入院病房”和先前入院等特征是关键风险因素。网络变量如“病房PageRank”也排名靠前，反映出结构暴露信息的潜在价值。本研究提出了一个强大且可解释的AI框架，用于分析复杂的EMR数据，以识别关键风险因素并预测与CPE相关的结果。我们的研究结果强调了Transformer模型的卓越性能，并突显了多样化临床和网络特征的重要性。

更新时间: 2025-09-18 13:29:11

领域: cs.AI,cs.LG

下载: http://arxiv.org/abs/2509.14942v1