Attention-VAE: Несупервізоване раннє виявлення сепсису через оцінку аномалій на основі реконструкції вітальних показників відділення інтенсивної терапії

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2026.49(2).245-254

Ключові слова:

варіаційний автоенкодер, механізм уваги, виявлення сепсису, виявлення аномалій у часових рядах, навчання без учителя, PhysioNet Challenge 2019, інтерпретоване машинне навчання

Анотація

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.

Спонсор дослідження

  • Дослідження було проведено без фінансової підтримки.

Біографії авторів

С. В. Мошко, Київський полiтехнiчний iнститут iм. Iгоря Сiкорського

Магiстрант факультету бiомедичної iнженерiї

О. Ю. Кучанський, Astana IT University

Професор школи штучного iнтелекту та науки про данi. Доктор технiчних наук, професор

Посилання

  1. World Health Organization. (2020). Global report on the epidemiology and burden of sepsis. WHO. Retrieved from https://www.who.int/publications/i/item/9789240010789
  2. Kumar, A., Roberts, D., Wood, K. E., & et al. (2006). Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Critical Care Medicine, 34(6), 1589–1596. https://doi.org/10.1097/01.CCM.0000212262.65573.4E
  3. Singer, M., Deutschman, C. S., Seymour, C. W., & et al. (2016). The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA, 315(8), 801–810. https://doi.org/10.1001/jama.2016.0287
  4. Harutyunyan, H., Khachatrian, H., Kale, D. C., & et al. (2019). Multitask learning and benchmarking with clinical time series data. Scientific Data, 6(96). https://doi.org/10.1038/s41597-019-0103-9
  5. Kingma, D. P., & Welling, M. (2014). Auto-encoding variational Bayes. In Proceedings of the 2nd International Conference on Learning Representations (ICLR). Retrieved from https://arxiv.org/abs/1312.6114
  6. Su, Y., Zhao, Y., Niu, C., & et al. (2019). Robust anomaly detection for multivariate time series through stochastic recurrent neural network. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/3292500.3330672
  7. Vaswani, A., Shazeer, N., Parmar, N., & et al. (2017). Attention is all you need. In Proceedings of the 31st Conference on Neural Information Processing Systems (NeurIPS). Retrieved from https://arxiv.org/abs/1706.03762
  8. Correia, L., Goos, J.-C., Klein, P., & et al. (2023). MA-VAE: Multi-head attention-based variational autoencoder approach for anomaly detection in multivariate time-series. In Proceedings of the 15th International Joint Conference on Computational Intelligence (NCTA). Retrieved from https://arxiv.org/abs/2309.02253
  9. Zubair, M., Din, I., Sarwar, N., Elov, B., Makhmudov, S., & Trabelsi, Z. (2025). Revolutionizing sepsis diagnosis using machine learning and deep learning models: a systematic literature review. BMC Infectious Diseases, 25(1), 1396. https://doi.org/10.1186/s12879-025-10766-4
  10. Dou, Y., Li, W., & Zomaya, A. Y. (2022). Transformer-based unsupervised learning for early detection of sepsis (Student Abstract). In Proceedings of the 36th AAAI Conference on Artificial Intelligence. https://doi.org/10.1609/aaai.v36i11.21669
  11. Zhang, D., & et al. (2021). An interpretable deep-learning model for early prediction of sepsis in the emergency department. Patterns, 2(2), 100196. https://doi.org/10.1016/j.patter.2021.100196
  12. Che, Z., Purushotham, S., Cho, K., & et al. (2018). Recurrent neural networks for multivariate time series with missing values. Scientific Reports, 8, 6085. https://doi.org/10.1038/s41598-018-24271-9
  13. Cho, K., van Merri¨enboer, B., Gulcehre, C., & et al. (2014). Learning phrase representations using RNN encoder-decoder for statistical machine translation. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP). https://doi.org/10.3115/v1/D14-1179
  14. Reyna, M. A., & et al. (2020). Early prediction of sepsis from clinical data: the PhysioNet/Computing in Cardiology Challenge 2019. Critical Care Medicine, 48(2), 210–217. https://doi.org/10.1097/CCM.0000000000004145
  15. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.1145/2939672.2939785
  16. Cvach, M. (2012). Monitor alarm fatigue: an integrative review. Biomedical Instrumentation & Technology, 46(4), 268–277. https://doi.org/10.2345/0899-8205-46.4.268
  17. FDA. (2021). Artificial intelligence and machine learning in software as a medical device. U.S. Food and Drug Administration. Retrieved from https://www.fda.gov/media/145022/download

##submission.downloads##

Опубліковано

2026-04-30

Як цитувати

Мошко, С. В., & Кучанський, О. Ю. (2026). Attention-VAE: Несупервізоване раннє виявлення сепсису через оцінку аномалій на основі реконструкції вітальних показників відділення інтенсивної терапії. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 49(2), 245–254. https://doi.org/10.24144/2616-7700.2026.49(2).245-254

Номер

Том 49 № 2 (2026)

Розділ

Iнформатика, комп’ютернi науки та прикладна математика

Ліцензія

Авторське право (c) 2026 С. В. Мошко, О. Ю. Кучанський

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.