用于短期AECOPD风险预测的两阶段时间感知Transformer

# 两阶段时间感知Transformer用于短期AECOPD风险预测
来源：https://arxiv.org/html/2608.19578

魏浩、林峥、潘浩文  
致谢：本文部分作者D. Wang、W. Qu和L. Zheng隶属于美国新泽西州西长支市蒙茅斯大学计算机科学与软件工程系。邮箱：{s1382037, wqu, lzheng}@monmouth.edu  
致谢：作者H. Pan隶属于中国常州耀源行电子科技有限公司。邮箱：[email protected]

慢性阻塞性肺疾病急性加重（AECOPD）病情可能迅速恶化，因此及时预测是临床优先事项。现有的大多数机器学习方法依赖间歇性收集的临床变量，这种延迟限制了其在家庭监测环境中的实用性。家用呼吸机提供了一种低延迟的替代方案，在日常使用中产生近乎连续的呼吸状态记录。然而，现有的基于呼吸机的方法要么将波形压缩为手工特征，要么主要关注二元风险分类，未能解决即将到来事件的时序问题。在本文中，我们提出一个两阶段框架，直接处理来自最近七天家用呼吸机使用的原始压力和流量波形。第一阶段分类模型识别有严重急性加重高风险的患者。第二阶段回归模型则估计距离事件发生还有多少天。我们的实验结果表明，两阶段模型在风险分类和事件发生时间估计方面均优于传统基线模型。我们选定的第一阶段分类器达到F1=0.91，第二阶段回归模型达到RMSE=1.00天，R²=0.76，为临床医生在严重急性加重发生前提供了早期预警和可操作的预警时间。

## 一、引言

慢性阻塞性肺疾病急性加重（AECOPD）是指呼吸道症状出现超出日常正常波动范围的突然恶化[15]。AECOPD会显著降低生活质量，并与住院率和死亡率增加相关[10]。因此，我们认为早期检测是临床优先事项，但现有的大多数机器学习模型依赖于临床和实验室输入，如电子健康记录、肺功能测试、血气分析和症状问卷[9]。由于这些信号是间歇性收集的，它们在生理恶化与风险检测之间引入了延迟，对于可能迅速恶化的病症而言，这一问题尤其突出。

家用呼吸机波形提供了一种低延迟的替代方案。重度COPD患者通常每天使用家用无创呼吸机数小时，产生的压力和流量信号在家庭环境中提供了近乎连续的呼吸状态记录。与诊所来源的测量不同，这些波形在日常常规使用期间即可获得，因此可以在不等待下次就诊或检查的情况下支持短期监测。

近期的机器学习研究表明，呼吸和临床时间序列数据具有预测价值，包括可解释的COPD风险模型[9]、数据驱动的COPD急性加重检测[15]，以及用于多元时间序列表示学习的现代Transformer模型[4, 17]。然而，一个重要的差距依然存在：许多现有的AECOPD方法仍然将波形聚合为手工设计的摘要特征，或以其他方式削弱了原始信号的时间结构，使得捕捉严重急性加重前的短期动态变化变得更加困难。

在本文中，我们旨在解决两个临床问题。第一，给定家用呼吸机记录的滚动窗口，模型能否识别有迫在眉睫的严重AECOPD事件高风险的患者？第二，对于已被识别为高风险的患者，距离该严重急性加重事件还有多少天？我们认为第一个问题支持早期预警，而第二个问题则为干预提供了可操作的预警时间。

为了回答这些问题，我们使用了一个两阶段模型，其灵感来源于近期基于Transformer的时间序列建模工作中的时间表示学习[4, 17]。总体而言，该方法直接处理过去7天的原始压力和流量波形，首先产生二元高风险决策，然后仅为被识别为高风险的患者估计事件发生时间。我们设计该流程以保持原始波形信号的时间结构，并镜像自然的临床工作流程：先筛查风险，然后估计紧急程度。

我们的主要贡献如下：
1.  （i）我们没有将所有呼吸机变量提取为手工特征，而是保留了压力与流量这两个主要波形通道，覆盖7天窗口。这些通道直接反映了患者的呼吸力学、触发、循环和气体陷闭。该方法保留了呼吸层面的时间动态，这对于短期恶化预测不可或缺。
2.  （ii）针对原始呼吸时间序列数据改编的时间感知Transformer编码器，从压力与流量波形中学习患者表示，这些表示可供下游分类器和回归模型重用。
3.  （iii）一个两阶段预测流程，其中第一阶段将学习到的表示与下游分类器结合用于高风险分类，第二阶段应用单独训练的时间感知回归模型，对已识别为高风险的患者进行事件发生时间估计。
4.  （iv）一项实证评估，其中我们选定的32维时间感知第一阶段配置使用逻辑回归作为主要分类器（标签1的F1=0.91），并使用XGBoost作为辅助分类器进行稳定性验证；而我们选定的64维第二阶段模型在留出测试集上达到了RMSE=1.00天，MAE=0.87天，R²=0.76。

本文其余部分结构如下。第三节[III](https://arxiv.org/html/2608.19578#S3)描述数据集和预处理流程。第四节[IV](https://arxiv.org/html/2608.19578#S4)展示两阶段模型的架构。第五节[V](https://arxiv.org/html/2608.19578#S5)报告实验结果。第六节[VI](https://arxiv.org/html/2608.19578#S6)讨论临床意义、局限性和未来方向。

## 二、相关工作

先前关于AECOPD预测的工作主要依赖于结构化临床变量、远程监测摘要或手工特征，而非原始呼吸机波形。近期以COPD为重点的研究使用了可解释的临床风险模型、数据驱动的急性加重检测以及日常家用无创通气参数来预测或表征急性加重风险[9, 15, 7, 18]。这些研究支持了早期AECOPD预测的可行性，但它们通常依赖于工程化特征、间歇性测量或多模态摘要，这些仍可能引入延迟或丢弃部分原始时间波形结构。此外，大多数AECOPD预测研究将该任务主要表述为二元分类，这可以指示风险是否升高，但不能说明事件可能何时发生。

近期，基于Transformer的时间序列模型发展迅速，包括用于多元时间序列分类的改进位置编码、通用的时间序列表示学习，以及用于长期时间建模的新架构[4, 17]。最近的研究也强调了可扩展的可解释AI和智能系统中的行为引导学习[16, 11, 14]。

同时，先前的长期预测工作质疑Transformer架构在时间序列预测中是否始终优于更简单的线性基线[20]。一项相关的跳跃点时间感知Transformer用于AECOPD预测的研究，在分类前将呼吸波形压缩为稀疏事件表示[13]。相比之下，我们的工作保留了原始压力与流量波形，在过去七天使用显式时间编码，并扩展到二元分类之外，提出了一个同时估计事件发生时间的两阶段流程。这种设计旨在保留对下游回归和警报计时特别重要的连续呼吸恶化模式。先前的COPD急性加重预测研究通常使用XGBoost作为远程监测和近期AECOPD预测的强机器学习基线[19, 12]。因此，我们将XGBoost作为非Transformer比较模型和稳定性检查模型。

## 三、数据与预处理

### 三-A、数据集

该数据集最初包含87名COPD患者在2023年至2025年间通过日常使用的家用无创呼吸机收集的连续一个月的呼吸时间序列记录（2023年42名患者，2024年10名，2025年35名）。其中，57名患者被标记为标签0（无急性加重），30名患者被标记为标签1（需要急诊或重症监护级别治疗的严重AECOPD）。在模型开发前排除了2名患者，因为他们的记录未提供足够的时序覆盖范围以满足所需的分析窗口。最终分析包含85名患者。每日使用时间为4到12小时，以每秒五次采样的速率每天产生72,000到220,000行数据。每行包含八列：时间戳、流量、压力、外周血氧饱和度（SpO2）、呼吸频率、潮气量、分钟通气量和系统漏气量。时间戳记录测量的确切日期和时间。流量、分钟通气量和漏气量以升/分钟为单位记录。压力以厘米水柱（cmH2O）为单位记录电路空气压力。SpO2记录外周血氧饱和度。呼吸频率以次/分钟为单位测量。潮气量是每次呼吸周期的呼出量，单位为毫升。

该队列被分为48名训练患者、15名验证患者和22名测试患者。训练集和验证集分层以保持自然的2:1阴性与阳性比例（训练：32名标签0，16名标签1；验证：10名标签0，5名标签1），反映真实的临床流行率并避免人为重采样。测试集包含17名标签0和5名标签1的患者。

这些呼吸机波形数据来自合作医院，在分析前已进行去标识化处理，并在机构伦理批准和知情同意程序下使用，最终手稿中将予以确认。

### 三-B、预处理

我们采用有针对性的预处理策略，仅保留预测参考点前最后7天的压力与流量列。

我们没有使用所有七个生理呼吸机变量，而是仅保留最具临床代表性的两个输入通道：压力与流量。未应用任何手工特征提取或波形压缩。我们选择这两个通道是因为它们是评估气道阻力、呼吸力学、患者努力、触发、循环和气体陷闭时常规使用的主要呼吸机标量波形[6, 3, 5]。此外，基于流量的测量（如呼气峰流量）在检测COPD急性加重和评估需要住院水平的恶化方面已显示出临床价值[1, 2]。

图1[Figure 1](https://arxiv.org/html/2608.19578#S3.F1)展示了本研究中使用的原始呼吸机波形的一个代表性短片段。由于设备每秒记录五个数据点，数据保留了流量与压力的细粒度逐呼吸时间变化，包括呼吸内的快速变化和周期间的转换。图1[Figure 1](https://arxiv.org/html/2608.19578#S3.F1)还将此5Hz片段与降低至每秒1次读数的相同信号进行了比较，显示即使在应用任何额外压缩之前，大部分波形形状也已丢失。相比之下，跳跃点数据仅保留当前值与先前保留值之间绝对差值超过阈值的时间戳。这种稀疏编码无法完全保留我们模型所使用的连续5Hz波形结构。

（图注：图1：原始呼吸机波形代表性片段，比较了原始5Hz记录与降低至每秒1次读数的相同片段。）
我们进一步将输入限制在预测参考点前最近的七天。这个短期窗口的选择基于临床和实际考虑。临床上，与即将发生的急性加重相关的呼吸机变化可能在住院前一周内出现，先前的研究明确检查了AECOPD前7天内的异常呼吸模式，并开发了预测未来7天内AECOPD的模型[7, 18]。实际上，使用最后七天的数据使原始序列长度在Transformer处理时保持可控，并使模型专注于与短期恶化评估最相关的时期。

## 四、方法论

图2[Figure 2](https://arxiv.org/html/2608.19578#S4.F2)展示了两阶段AECOPD时间感知Transformer模型的架构。该流程首先通过仅选择最后七天的压力与流量来预处理30天的原始呼吸机数据。然后应用两个*独立的*时间感知Transformer：Transformer A用于二元分类，Transformer B用于事件发生时间（TTE）回归。

（图注：图2：两阶段AECOPD时间感知Transformer模型的架构。）

### 四-A、独立的时间感知Transformer

尽管Transformer A和Transformer B属于相同的时间感知Transformer架构家族，但它们是独立训练的，而非通过迁移学习。这种设计选择反映了两个阶段在不同数据分布下解决不同的学习问题。Transformer A在全部85名患者上训练，以区分高风险和低风险的呼吸机模式，因此其参数由二元判别目标以及同时接触标签0和标签1样本所塑造。相比之下，Transformer B仅在29名标签1患者上训练，并针对连续的时间到事件回归目标进行优化。第二阶段使用的倒计时目标（从急性加重前第6天到第0天）在第一阶段没有类似物，因此从Transformer A初始化Transformer B将……