把状态空间模型（SSM）用到病情预测，近两年的进展可以用一句话概括：
“从 ICU 实时预警到慢性病长期轨迹，SSM 正在成为临床决策的‘时间望远镜’。”
下面分场景、数据和落地效果 3 个角度给出最新证据与可行做法。
1. 场景：已经跑在真实世界的 3 类应用
| 场景 | 做法 | 最新结果（2024-2025） |
|---|---|---|
| ICU 4 小时级恶化预警 | 把生命体征、用药、检验当作“观测”，把“真实病情”当作隐藏状态，用 Mamba-SSM 框架做多任务预测 | 14 万例外部验证，预测死亡 AUROC=0.99，>25 % 预警被认为可直接改变治疗方案 |
| 慢性病长期风险（肿瘤、肾衰） | 以“治疗干预”为输入序列，以“检验/影像”为观测序列，构建非线性 SSM，推断连续潜状态 | 在多发性骨髓瘤数据集上，SSM 比 GRU、Markov 模型更好预测复发节点 |
| 传染病监测 | 把每日新增病例当观测，用带季节项的 SSM + 粒子滤波检测“突变点” | 加拿大安省 COVID-19 数据，horseshoe prior 能提前 1-2 周发现拐点 |
2. 数据与建模要点
- 数据特征：不规则采样、缺失值、异构模态（文本+数值+图像）。
-
模型套路：
- 连续潜状态：处理数值型检验/监护数据（卡尔曼或粒子滤波）。
- 离散潜状态：处理临床事件序列（强化版 HMM）。
- 深度-SSM（DSSM）：用 VAE 框架把非结构化病历编码进潜状态，再做风险预测 。
-
可解释性：潜状态可聚类成“亚表型”（如低炎症/高炎症），医生能直观看到“患者正在从哪一型向哪一型转换”。
3. 落地经验 & 建议
| 环节 | ICU 场景示例 | 慢性病随访场景示例 |
|---|---|---|
| 数据准备 | 每 15 min-1 h 采样的床旁监护流；检验回报时间戳必须保留 | 门诊/家测设备上传的稀疏检验值；药物处方时间作为干预序列 |
| 模型选型 | 线性 SSM + 卡尔曼滤波已足够捕捉短期生理波动；若特征>100 维，用 Mamba-SSM | 非线性 SSM + 贝叶斯滤波；药物剂量→状态转移函数用 NN 参数化 |
| 临床集成 | 嵌入实时 CDS 系统，4 h 刷新一次概率；阈值需医生参与设定 | 每季度生成一次“轨迹报告”，提示下一次恶化窗口 |
| 合规与隐私 | 需通过 FDA SaMD 510(k) 或国内三类医疗器械认证；所有 PHI 去标识化 | 同左 |
一句话总结
SSM 不是替代医生，而是把“看不见的病程”翻译成“可提前干预的时间线”。
在 ICU，它能提前 4 小时告诉你“病人是否需要插管”；在慢病门诊，它能告诉你“这位糖尿病患者 6 个月后进入肾衰的概率是 38 %”。
本文荟萃自，只做学术交流学习使用，不做为临床指导，本文观点不代表数字重症 ICU.CN立场。
微信扫一扫 
