第四部分：病历篇——EHR时序预测与生存分析
如果说医学影像处理是在解读“快照”，那么电子健康记录（EHR）分析就是观看一部“连续剧”。一位ICU患者的命运，不仅取决于入院时的一张CT，更取决于其生命体征的每一次波动、实验室指标的每一次恶化、治疗药物的每一次调整。这些随时间演化的、高维、稀疏、不规则的数据流，构成了临床决策的核心信息源。
本部分将带你走出CV的舒适区，深入时序表格数据的世界。我们将以MIMIC-IV这座数据金矿为基座，从SQL数据提取到复杂特征工程，再到XGBoost与时间序列Transformer的正面交锋，最终学会用SHAP等可解释性工具向临床医生讲述“为什么”。这是从算法工程师迈向医疗数据科学家的关键一步。
第11章：MIMIC-IV数据库深度挖掘
MIMIC-IV（Medical Information Mart for Intensive Care IV）是麻省理工学院计算生理学实验室发布的公开重症监护数据库，包含了2008年至2019年间Beth Israel Deaconess Medical Center数万名ICU患者的去隐私化数据。它是目前全球最庞大、最完善的公开EHR数据集，也是你磨练时序预测技能的最佳沙场。
11.1 数据库结构解析：三大模块与核心表格
MIMIC-IV采用关系型数据库结构，主要分为Hosp（院内）、ICU（重症监护）、Note（文书）三大模块。你不是在分析一个扁平的CSV，而是在构建一条跨表检索的患者时间线。
- Hosp模块：记录患者整个住院期间的信息。
- patients：人口统计学信息（年龄、性别、死亡日期）。
- admissions：入院记录（入院时间、出院时间、入院途径、保险类型等）。
- diagnoses_icd：诊断编码（ICD-9/10），包含优先级排序。
- labevents：实验室检查结果，如血常规、生化、血气等，时间精确到分钟。
- microbiologyevents：微生物培养及药敏结果。
- ICU模块：聚焦于ICU内的高频、多维数据。
- icustays：每次ICU入住记录（入ICU/出ICU时间）。
- chartevents：这是MIMIC中最大、最核心的表，存储了护士记录的床旁监护数据：生命体征（心率、血压、体温、呼吸、血氧）、入量出量、各种评分（GCS）等，高达数亿行。
- inputevents：持续输注的药物记录（如去甲肾上腺素、镇静药），包含速率和剂量。
- outputevents：患者液体排出记录（尿量、引流）。
- Note模块：放射报告和出院小结的文本，供NLP任务使用。
关键概念：层级关系 一个患者（subject_id）可以有多次住院（hadm_id），一次住院内可以有一次或多次ICU入住（stay_id）。多数ICU预测任务的研究对象是每次ICU入住（stay_id）。你必须明确你的任务是在预测入院早期结局（如院内死亡率），还是ICU内动态事件（如24小时后的脓毒症风险）。
11.2 SQL进阶：定义标签与构建队列
原始数据无法直接用于机器学习。你需要通过SQL查询，从海量表格中提取并整合出符合纳入标准的队列。以下是两个必备的SQL技能。
定义“首次ICU入院”与“28天死亡结局”
— 提取患者的首次ICU入住记录，并计算28天死亡率标签
CREATE VIEW first_icu_stays AS
SELECT
icu.subject_id,
icu.stay_id,
icu.hadm_id,
icu.intime,
icu.outtime,
p.dod, — 患者死亡日期
a.hospital_expire_flag, — 院内死亡标记
CASE
WHEN p.dod IS NOT NULL AND p.dod <= icu.intime + INTERVAL \’28 days\’
THEN 1
ELSE 0
END AS mortality_28d — 28天死亡标签
FROM icustays icu
INNER JOIN patients p ON icu.subject_id = p.subject_id
INNER JOIN admissions a ON icu.hadm_id = a.hadm_id
WHERE (icu.subject_id, icu.intime) IN (
SELECT subject_id, MIN(intime)
FROM icustays
GROUP BY subject_id
) — 仅保留首次ICU入住
AND EXTRACT(YEAR FROM icu.intime) – p.anchor_year = p.anchor_age >= 18 — 年龄≥18岁
AND icu.los > 1; — ICU停留时间大于1天，确保有足够的观察数据
提取动态生命体征时序数据
chartevents表有数亿行，直接全表查询会爆内存。你需要：
- 限定行范围：只提取与预测任务相关的关键指标（itemid限定）。
- 限定列范围：只选取stay_id, charttime, valuenum三列。
- 限定时间窗口：比如，只提取入ICU后前24小时的数据用于早期预测。
— 提取指定stay_id列表在入ICU后24小时内的关键生命体征
— itemid是MIMIC中标识不同指标的数字代码，需事先确定好映射
SELECT
ce.stay_id,
ce.charttime,
di.label AS measurement_label,
ce.valuenum — 数值
FROM chartevents ce
INNER JOIN d_items di ON ce.itemid = di.itemid
WHERE ce.stay_id IN (SELECT stay_id FROM first_icu_stays)
AND ce.itemid IN (
220045, — 心率
220179, — 收缩压
220180, — 舒张压
223761, — 体温（摄氏度）
220210, — 呼吸频率
220277 — SpO2
)
AND ce.charttime BETWEEN (SELECT intime FROM icustays WHERE stay_id = ce.stay_id)
AND (SELECT intime FROM icustays WHERE stay_id = ce.stay_id) + INTERVAL \’24 hours\’
AND ce.valuenum IS NOT NULL
AND ce.valuenum > 0; — 去除明显错误值
11.3 特征工程：从原始时序到预测变量
将SQL查出的长格式数据（每行是一条记录），转换为机器学习可用的宽格式数据（每行是一个ICU stay），是EHR特征工程的核心。
1. 趋势提取：斜率与极差 单纯的平均值会淹没变化趋势。一个从120次/分逐渐降至80次/分的心率，和一个始终80次/分的心率，临床意义截然不同。
import pandas as pd
import numpy as np
from scipy.stats import linregress
def extract_trends(group):
\”\”\”对每个stay的时间序列提取统计特征\”\”\”
group = group.sort_values(\’charttime\’)
if len(group) < 3: # 至少需要3个点才能可靠计算趋势
return pd.Series({
\’hr_mean\’: group[\’HR\’
