간호학적 시계열 해석 가능한 예상을 위한 미분 가능 잠재 구조 발견

배경: 불규칙한 전자의무기록 (EHR) 에서의 적시적이고 불확실성을 고려한 예상은 중환자 치료 결정을 지원할 수 있으나, 대부분의 접근법은 그리드에 보간하거나 해석 가능성을 희생합니다. 우리는 프로세스 컨볼루션과 미분 가능 구조 학습을 결합하여 변수 간 의존성의 희소하고 순차적인 방향성 비순환 그래프 (DAG) 를 드러내면서 원칙에 기반한 불확실성을 보존하는 연속 시간 다목적 가우시안 프로세스인 StructGP 를 소개합니다. 우리는 또한 개인별 결합 필터와 softmax 게이트 메커니즘을 통해 추론된 잠재 경로-공유, 시간적 시프트된 궤적-를 추가하여 환자 간 진행 패턴을 포착하기 위한 LP-StructGP 를 제안합니다. 두 모델 모두 확장 가능한 저랭크 업데이트를 사용하여 희소성과 비순환성 제약 하에 훈련됩니다 (증분 라그랑지안, Adam). 결과: 시뮬레이션에서 이 접근법은 참 그래프를 신뢰할 수 있게 복원하며 (집단이 증가함에 따라 구조적 해밍 거리가 0 에 가까워짐) 경로 할당도 높게 수행합니다 (높은 조정된 란드 지수). MIMIC-IV 패혈성 쇼크 집단 (n=1,008; 노에피네프린, 크레아티닌, 평균 동맥압) 에서 StructGP 는 독립 작업 기반선보다 짧은 시간 범위 (6 시간) 예상을 개선합니다 (평균 RMSE 0.68 [95%CI: 0.63--0.74] 대 0.88 [0.83-0.94]). 또한 15 개의 추가 입력을 사용하면 비구조적 커널보다 현저히 뛰어난 성능을 보입니다 (0.63 [0.58-0.69] 대 3.02 [2.85-3.18]) 에 더 우수한 보정 (커버지 0.96 대 0.84). PhysioNet 챌린지 (1 만 2 천 환자, 41 변수) 에서 StructGP 는 최첨단 그래프 신경망 모델에 비해 경쟁력 있는 정확도 (MAE 3.72e-2) 를 달성하면서 보정된 불확실성을 유지합니다. 결론: 이 결과는 구조화된 프로세스 컨볼루션과 잠재 경로가 불규칙한 임상 시계열에 대해 해석 가능하고 확장 가능하며 잘 보정된 예상을 제공함을 보여줍니다.