การพยากรณ์อัตราการเสียชีวิตในหอผู้ป่วยหนัก (ICU) อย่างแข็งแกร่งด้วยกรอบการเรียนรู้แบบแพร่กระจายและการเรียนรู้แบบเปรียบเทียบหลายงาน

งานวิจัยนี้นำเสนอแบบจำลองการแพร่กระจายแบบมัลติทาสก์ (Multi-Task Diffusion Model: MTDM) ซึ่งแก้ปัญหาข้อมูลที่ขาดหายไปและการพยากรณ์การเสียชีวิต โดยใช้โมเดลแพร่กระจายสำหรับเติมค่าข้อมูล และหน่วยความจำระยะสั้นยาวสำหรับคาดการณ์ผลลัพธ์ เพื่อเพิ่มประสิทธิภาพในการดึงคุณลักษณะ ได้มีการใช้โครงข่ายแฝดสยามร่วมกับฟังก์ชันความสูญเสียเชิงเปรียบเทียบ เพื่อแยกแยะโปรไฟล์ผู้ป่วยที่มีผลลัพธ์คล้ายคลึงและแตกต่างกัน นอกจากนี้ยังมีกลไกการป้อนกลับระหว่างแบบจำลองการประมาณค่าของข้อมูลที่ขาดหายไปและแบบจำลองการทำนายการเสียชีวิตของผู้ป่วย เพื่อให้มีการปรับปรุงประสิทธิภาพร่วมกัน ซึ่งจะช่วยเพิ่มความแม่นยำในการทำงานของแบบจำลองแม้ว่าข้อมูลมีความไม่สมบูรณ์หรือมีสัญญาณรบกวน แบบจำลองที่นำเสนอจะทำการประเมินบนชุดข้อมูล Medical Information Mart for Intensive Care III (MIMIC-III) แสดงให้เห็นว่าแบบจำลองการแพร่กระจายแบบมัลติทาสก์ให้ผลลัพธ์ที่แม่นยำสูงสุดด้วยคะแนน ROC-AUC 0.92 ผลการทดลองยืนยันว่าแบบจำลองการแพร่กระจายแบบมัลติทาสก์ที่มีการประมาณค่าด้วยแบบจำลองการแพร่กระจายกับแบบจำลองการทำนายการเสียชีวิตของผู้ป่วยช่วยเพิ่มความแข็งแกร่งและความน่าเชื่อถือของผลลัพธ์ได้อย่างมีนัยสำคัญ กรอบการทำงานแบบจำลองการแพร่กระจายแบบมัลติทาสก์เป็นโซลูชันที่ครอบคลุมสำหรับการทำนายอัตราการเสียชีวิตใน ICU โดยสามารถจัดการปัญหาคุณภาพข้อมูลและเพิ่มความแม่นยำในการทำนาย เพื่อสนับสนุนการตัดสินใจในงานดูแลผู้ป่วยวิกฤตอย่างมีประสิทธิภาพ