Can a zero-shot time-series foundation model rival task-trained models for intraoperative hypotension prediction? A two-cohort benchmark and the role of covariate-awareness

Technische Samenvatting: Zero-Shot Tijdreeks Fundatiemodellen voor Intraoperatieve Hypotensievoorspelling

Probleemstelling
Intraoperatieve hypotensie (gedefinieerd als een gemiddelde arteriële druk [MAP] < 65 mmHg) is een veelvoorkomende complicatie bij algehele anesthesie die gekoppeld is aan postoperatieve orgaanschade en mortaliteit. Huidige voorspellende oplossingen kampen met aanzienlijke barrières voor portabiliteit. Commerciële indices (bijv. Hypotension Prediction Index) vereisen vaak invasieve arteriële golfvormen en propriëtaire kenmerken, terwijl state-of-the-art deep learning-modellen (bijv. Temporal Fusion Transformer [TFT], PatchTST) taakspecifieke training vereisen op grote, sitespecifieke gelabelde cohorten. Deze op maat gemaakte modellen hebben moeite met het overdragen naar verschillende instellingen met verschillende datacadans, covariaten en de prevalentie van hypotensie. Bovendien conditioneren bestaande modellen op medicamenteuze interventies meestal alleen als geobserveerde historie of laten ze deze geheel weg, waardoor ze niet profiteren van "bekende-toekomst"-signalen (het geplande traject van de medicijninfusie) die de nauwkeurigheid van de voorspelling zouden kunnen verbeteren.

Methodologie
De studie vergelijkt vier zero-shot tijdreeks fundatiemodellen met twee taakgetrainde baselines (TFT en PatchTST) over twee verschillende intraoperatieve cohorten:

1. Ontwikkelingscohort (VitalDB): 2.708 gevallen (2.665 subjecten) van Seoul National University Hospital, gesampled op intervallen van 15 seconden.
2. Extern cohort (MOVER): 1.827 gevallen uit een multi-center repository, gesampled op intervallen van 60 seconden met een 2–3× hogere prevalentie van hypotensie.

Experimenteel Ontwerp:

• Taak: Een rolling-origin forecasting taak waarbij een contextvenster van 30 minuten MAP-trajecten en naderende hypotensie (MAP < 65 mmHg) voorspelt over horizonten van 1, 3, 5, 7, 10 en 15 minuten.
• Geëvalueerde Modellen:
  • Zero-Shot Fundatiemodellen: TiRex-2 (multivariaat, covariaat-bewust), Chronos-Bolt, TimesFM-2.5, en Moirai-1.1-R (allemaal univariate). Geen van deze modellen is getraind of gefinetuned op de doeltaak.
  • Taakgetrainde Baselines: TFT en PatchTST, getraind via 5-voudige subject-level cross-validatie op het ontwikkelingscohort.
• Covariaatverwerking: De studie onderzoekt specifiek "covariaat-bewustzijn". TiRex-2 is het enige model dat in staat is om te conditioneren op zowel het verleden (observaties) als de bekende toekomst (het geplande medicijninfusietraject). De auteurs vergelijken TiRex-2 met en zonder deze covariaat (M1 vs. M0) en vergelijken dit met univariate modellen die geen covariaten kunnen verwerken.
• Evaluatiemetrieken: Discriminatie (AUROC, AUPRC), probabilistische nauwkeurigheid (CRPS, MAE), kalibratie (Expected Calibration Error), en decision-curve analyse.

Belangrijkste Resultaten

• Prestaties van Fundatiemodellen: Onder de zero-shot modellen presteerde TiRex-2 consequent beter dan de anderen (Chronos-Bolt, TimesFM-2.5, Moirai-1.1-R) over alle horizonten. Het voordeel was statistisch significant vanaf 3 minuten.
• Vergelijking met State-of-the-Art (SOTA):
  • Bij korte tot middellange horizonten (1–7 minuten) kwam de zero-shot TiRex-2 overeen met de prestaties van de taakgetrainde TFT (bijv. AUROC 0.905 vs. 0.903 bij 7 min; p = 0.34).
  • Bij langere horizonten (>7 min) bleef TiRex-2 achter bij de sterkere gesuperviseerde baseline, PatchTST (bijv. AUROC 0.849 vs. 0.875 bij 15 min).
  • In het externe MOVER-cohort behield TiRex-2 een AUROC ≥ 0.85 over alle horizonten, waarmee het in-domain getrainde modellen evenaarde en superieur was aan modellen die vanuit VitalDB waren overgedragen.
• De Rol van Covariaat-bewustzijn:
  • Conditionering op de bekende toekomstige medicijninfusie zorgde voor een kleine maar significante verbetering voor TiRex-2 (ongeveer +1.15% reductie in CRPS), specifiek in "transitiewindows" waar het infusieplan veranderde.
  • Cruciaal is dat de basisvoorspellingskwaliteit van TiRex-2 (zelfs zonder de covariaat) voldoende was om het veld van zero-shot modellen aan te voeren. Het covariaat-bewustzijn onderscheidde de beste exponent, maar was niet de enige drijfveer voor de superioriteit ten opzichte van andere fundatiemodellen.
  • In tegen tegenstelling hiertoe vertoonden taakgetrainde modellen een veel grotere afhankelijkheid van het covariaatkanaal (+7% tot +12% verbetering), wat suggereert dat zij meer vertrouwen op expliciete interventiesignalen dan het vooraf getrainde fundatiemodel.
• Robuustheid en Portabiliteit: Het zero-shot paradigma demonstreerde een hoge portabiliteit. Een enkel voorgetraind model dat zonder labels werd toegepast, bereikte een discriminatie die vergelijkbaar was met cohort-specifieke gesuperviseerde training en superieur aan gesuperviseerde transfer learning over de distributieverschuiving tussen VitalDB en MOVER.
• Interne Representaties: Analyse van de activaties in de voorlaatste laag toonde aan dat de zero-shot voorspellingsvaardigheid ontkoppeld is van een lineaire representationele structuur. In tegen tegenstelling tot taakgetrainde modellen, coderen zero-shot modellen hypotensierisico niet als een lineair scheidbaar kenmerk in hun interne staten; hun waarde ligt in de volledige encoder-decoder mapping voor multi-horizon voorspelling, niet als feature extractors.

Betekenis en Claims
Het artikel stelt dat zero-shot, covariaat-bewuste tijdreeks fundatiemodellen een concurrerend en portabel alternatief vormen voor de voorspelling van intraoperatieve hypotensie.

• Portabiliteit: De primaire bijdrage is het aantonen dat een enkel voorgetraind model in staat is om de prestaties van taakgetrainde SOTA (met name TFT) te evenaren bij klinisch urgente horizonten (1–7 min) zonder dat er sitespecifieke labels of hertraining nodig zijn. Dit adresseert het "data silo"-probleem in medische AI.
• Bekende-Toekomst Conditionering: De studie vestigt de haalbaarheid van het toepassen van bekende-toekomst conditionering (geplande medicijninfusies) in een zero-shot setting. Hoewel de prestatiewinst bescheiden was vergeleken met de basiscapaciteit van het model, valideert het een paradigma waarin fundatiemodellen toekomstige interventieplannen kunnen exploiteren—een capaciteit die voorheen beperkt was tot taakspecifieke architecturen.
• Klinische Bruikbaarheid: De modellen bieden actieve vroege waarschuwingen (1–15 min van tevoren) met een discriminatie die vergelijkbaar is met gesuperviseerde baselines, met name in de "middelste horizon" (3–7 min) waar naïeve persistentie-alarmen degraderen en op maat gemaakte modellen het moeilijkst in te zetten zijn.
• Erkende Beperkingen: De auteurs merken op dat de gebruikte "bekende-toekomst" covariaat de gerealiseerde infusie was (retrospectieve data), wat een optimistische bovengrens is vergeleken met prospectieve inzet waarbij alleen de geplande infusie bekend is. Daarnaast is de portabiliteit naar niet-invasieve monitoring of andere zorgsettings (IC, afdeling) nog niet bewezen. De studie concludeert dat hoewel discriminatie label-vrij is, kalibratie een kleine, lokale gelabelde subset vereist voor herkalibratie.

Samenvattend betoogt het artikel dat voor instellingen die niet beschikken over de infrastructuur voor grootschalige, op maat gemaakte modeltraining, zero-shot fundatiemodellen een levensvatbare, "kant-en-klare" oplossing bieden voor hemodynamische monitoring die de prestaties van gespecialiseerde gesuperviseerde modellen evenaart bij kritieke tijdshorizonten.