Abstract
У статті розглянуто можливості застосування несупервізованого глибокого навчання для раннього виявлення сепсису у відділеннях інтенсивної терапії на основі аналізу часових рядів вітальних показників. Для досягнення мети дослідження було поставлено та розв'язано такі завдання: огляд існуючих підходів до виявлення аномалій у медичних часових рядах; формальна постановка задачі виявлення сепсису як задачі детекції аномалій; розробка архітектури Attention-VAE, що поєднує рекурентний GRU-енкодер, механізм багатоголової уваги та варіаційний декодер. Особливістю запропонованої архітектури є навчання виключно на записах пацієнтів із нормальним фізіологічним перебігом — без використання розмічених даних щодо сепсису. Результатом роботи моделі є показник аномальності, що відображає ступінь відхилення поточного стану пацієнта від засвоєних нормальних закономірностей, а також карти уваги та профілі реконструкційних похибок за окремими показниками, що забезпечують подвійну інтерпретованість рішень. Застосування моделі апробовано на базі клінічних даних PhysioNet Challenge 2019 з використанням п'яти вітальних показників у шестигодинних вікнах спостереження; досягнуто F1 = 0,8286, ROC-AUC = 0,8893, частку хибнопозитивних результатів 0,15% — показники, що демонструють якість одного рівня із супервізованими методами. Обмеженням дослідження є один датасет та відсутність ablation study для ізольованої оцінки внеску механізму уваги. Результати дослідження є складовою магістерської дисертації та можуть бути використані у системах клінічної підтримки прийняття рішень.