LFVDNet：基于低频变量驱动的医疗时间序列缺失值填补与预测模型研究

　　本文提出一种新型端到端网络LFVDNet（Low-Frequency Variable-Driven Network），通过时间感知填补器（TA模块）和偏移选择模块（OS模块）解决医疗时间序列中低频采样变量（LFSVs）信息丢失问题。该模型采用通道独立策略保持LFSVs独特性，并通过数据点选择策略避免关键信息损失，在PhysioNet 2012和MIMIC-IV数据集上展现出优越的鲁棒性与预测性能。

　　

^Highlight

• LFVDNet是首个强调有效利用低频采样变量（LFSVs）的多变量时间序列缺失值分析方法

• 时间感知填补器（TA）通过时间点间相关性进行填补并采用通道独立策略

• 偏移选择模块（OS）基于数据点选择策略执行选择性填补，减少误差并简化序列

^Introduction

电子健康记录（EHRs）存储了大量医疗时间序列数据，这些序列通过提供患者状态的连续视图，在现代医疗中发挥着关键作用。然而医疗时间序列作为多变量时间序列存在缺失值，会阻碍分析并降低模型性能。当前"先填补后预测"的端到端架构存在困境：选择较少时间点会导致填补数据代表性不足，选择过多点则会引入较大误差。Blázquez-García等人提出的选择性填补方法在真实医疗场景中存在局限，例如ICU中的低频采样变量（如药物治疗事件）因采样稀疏而在选择性填补中处于天然劣势，导致关键信息丢失。现有填补方法通过学习变量间相关性进行填补，这可能使LFSVs被高频采样变量（HFSVs）主导，破坏其独特模式。针对这些挑战，我们提出新型端到端网络LFVDNet，通过时间感知填补器（TA）采用通道独立策略保持LFSVs独特性，通过偏移选择模块（OS）实现基于数据点选择策略的变量独立选择，有效保留LFSVs关键信息。

^{Conclusion and discussion}

本研究提出新型医疗时间序列分析方法LFVDNet，旨在有效利用LFSVs。TA模块编码观测值及关键时间信息，通过注意力机制关联观测值与缺失值；OS模块基于数据点选择策略执行选择性填补。我们在PhysioNet 2012和MIMIC-IV构建的四个数据集上验证了该方法有效性。