Jämförelse av imputationsstrategier för saknade tidsseriedata i intensivvård med verklighetsinspirerade scenarier

Varför det spelar roll att fylla igen datagap för intensivvårdspatienter

I moderna intensivvårdsavdelningar registreras varje hjärtslag, andetag och blodtryckspuls som en kontinuerlig ström av siffror. Ändå är dessa strömmar i praktiken fulla av hål: sensorer lossnar, patienter lämnar sängen för röntgen, och utrustning stängs av kortvarigt. När läkare och datorer använder dessa ofullständiga register för att förutsäga en patients framtid eller styra behandling kan sättet vi "fyller i" de saknade bitarna subtilt förändra vad datan berättar. Denna studie ställer en praktisk fråga med stora konsekvenser: bland ett brett spektrum av gapfyllningsstrategier — från enkla raka linjer till toppmodern artificiell intelligens — vilka fungerar bäst under de typer av datagap som faktiskt uppstår på intensivvården?

Närmare granskning av vitala tecken på IVA

Forskarna använde MIMIC-IV, en stor offentlig databas med avidentifierade IVA-vistelser från ett amerikanskt sjukhus. De fokuserade på 26 167 vuxna vistelser och undersökte de första 48 timmarna efter intag på intensiven, där de följde fyra vitala tecken som kontinuerligt övervakas vid sängen: hjärtfrekvens, blodets syremättnad, andningsfrekvens och medelartärtryck. För att hålla signalerna realistiska togs uppenbart omöjliga värden bort och alla mätningar sammanfattades en gång per timme. Varje timme utan registrerat värde för ett visst vitalt tecken behandlades som saknat. Även om bara omkring 4 % av alla värden saknades fann teamet att dessa luckor inte var jämnt spridda — de klustrade ofta senare i det 48-timmarsfönstret och påverkade ibland flera vitala tecken samtidigt.

Hur verkliga datagap återskapades

I stället för att hitta på helt artificiella mönster för saknade värden byggde författarna tre scenarier inspirerade av vad de observerade i rådatan och vad kliniker ser vid sängkanten. I det första raderades enskilda mätningar slumpmässigt, vilket efterliknar tillfälligt förlorade avläsningar. I det andra försvann 1–3 timmars block över alla fyra vitala tecken tillsammans, vilket representerar tillfällen då en patient är borta från monitorerna — till exempel under en undersökning. I det tredje togs ett enskilt vitalt tecken — till exempel blodtryck — bort under en kontinuerlig fyratimmarsperiod, vilket efterliknar en felande sensor eller en urkopplad probe. Varje scenario tog bort ungefär 30 % av datan och utgjorde ett allvarligt test för metoder som försöker återskapa de ursprungliga kurvorna.

Gamla knep mot modern maskinintelligens

Teamet ställde därefter en bred uppsättning återuppbyggnadsmetoder mot varandra. Enkla standardmetoder inkluderade att fylla varje lucka med en patients genomsnittsvärde, föra fram det senaste observerade värdet eller rita en rak linje mellan närmaste kända punkter. Mer avancerade statistiska verktyg försökte förutsäga saknade värden från de andra vitala tecknen, men i praktiken tvingades de platta ut tidsdimensionen och behandla varje timme som bara en rad i en tabell. I andra änden av spektrumet fanns djupinlärningsmodeller — Transformers, rekurrenta nätverk och generativa modeller — som explicit lär sig mönster över tid och mellan variabler. Alla modeller tränades på data där 30 % av värdena slumpmässigt dolts, och utmanades sedan i var och en av de tre maskeringsscenarierna. Prestation bedömdes utifrån hur långt deras rekonstruktioner avvek från de ursprungliga siffrorna, med särskild uppmärksamhet på fel i medelartärtryck, en avgörande signal för cirkulationshantering.

Vad som fungerade, när och med hur stor förbättring

Överlag levererade de mest sofistikerade modellerna — särskilt ett Transformer-baserat tillvägagångssätt och ett generativt adversariellt nätverk — de lägsta genomsnittliga felen, särskilt när luckorna var korta eller spridda. Dock presterade en anspråkslös metod — rak linjär interpolation — anmärkningsvärt väl och kom i många situationer nära dessa neurala modeller. Statistiska verktyg som ignorerade mätningarnas ordning, såsom random forests och chained equations, halkade efter trots sin komplexitet. Luckornas form spelade också roll. När värden saknades slumpmässigt såg alla metoder bättre ut, vilket gav en alltför optimistisk bild av deras noggrannhet. Långa, kontinuerliga hål i registret, särskilt över flera timmar eller en enskild felande sensor, visade sig mycket svårare att fylla korrekt. I dessa tuffare situationer försämrades de bästa djupinlärningsmetoderna mer gradvis än enkla tillvägagångssätt, men vinsterna var ofta måttliga när de översattes till faktiska blodtrycksenheter.

Varför fynden betyder något för beslut vid sängkanten

För vardagliga blodtrycksområden var skillnaden mellan de bästa djupinlärningsmodellerna och enkel interpolation ofta bara några millimeter kvicksilver — vanligtvis för liten för att förändra en läkares beslut. Ändå hade alla metoder, inklusive de mest avancerade, svårt när blodtrycket var mycket lågt eller mycket högt — precis de ögonblick då noggrann övervakning är viktigast. Studien drar slutsatsen att valet av hur man hanterar saknade IVA-data handlar lika mycket om att förstå hur och var luckor uppstår som om att välja den senaste algoritmen. Sofistikerade modeller kan erbjuda inkrementella förbättringar, särskilt för längre eller mer komplexa luckor, men enkla, genomskinliga metoder kan vara fullt tillräckliga för många praktiska användningsområden. Avgörande är att bättre gapfyllning inte automatiskt garanterar bättre prediktiva modeller; framtida arbete måste pröva hur dessa rekonstruktionsval sprider sig vidare till verkliga kliniska beslut.

Citering: Poette, M., Mouysset, S., Ruiz, D. et al. Benchmarking imputation strategies for missing time-series data in critical care using real-world-inspired scenarios. Sci Rep 16, 8116 (2026). https://doi.org/10.1038/s41598-026-39035-z

Nyckelord: ICU-tidsserier, saknade data, imputationsmetoder, djupinlärning, vitala tecken