用于预测心脏手术患者术后并发症的新型生成式多任务表征学习方法

基于摘要分析。该研究针对心脏手术患者术后并发症预测，提出手术变分自编码器 surgVAE，通过跨任务、跨队列表征学习挖掘电子健康记录中的潜在模式，旨在应对数据复杂、目标队列较小及阳性事件低频的问题；其主要研究对象是围术期临床风险，而非神经信号或 BCI。 研究采用回顾性队列设计，使用 2018—2021 年成人手术患者电子健康记录。共纳入 89,246 例手术，男性占 49%，年龄中位数为 57 岁、四分位距为 45—69 岁；其中心脏手术目标队列包含 6,502 例，男性占 61%，年龄中位数为 60 岁、四分位距为 53—70 岁。研究评估六类结局：急性肾损伤、心房颤动、心脏骤停、深静脉血栓或肺栓塞、输血，以及其他术中心脏事件。尽管标题统称术后并发症，摘要所列结局也涉及术中事件，具体定义与预测时间窗尚需核对。 作者报告，在 5 折交叉验证下，与常用机器学习模型及先进表征学习、生成模型相比，surgVAE 在各类目标并发症上表现更优，宏平均 AUPRC 为 0.409，宏平均 AUROC 为 0.831；相较按 AUPRC 选出的最佳替代方法，两项指标分别高 3.4% 和 3.7%。摘要未明确这两个增幅是相对百分比还是绝对百分点，不能自行换算。作者还使用 Integrated Gradients 分析术前变量的重要性，以解释风险预测；变量归因不等同于因果风险因素确认。 摘要未披露跨任务与跨队列信息的具体融合机制、损失函数、对照方法名称，以及交叉验证是否按患者划分。实验协议、消融及统计信息尚未验证，风险校准、外部验证和临床实际收益也尚待核对。材料未提供与 EEG/BCI 的具体机制对应，因此不据此提出迁移效果或复现实验建议。