心臓外科手術の後の心臓および脳血管に関する重大な有害事象を予測するための多式深層学習

科学分野:

• 心臓病科
• 医療情報学
• 医療における人工知能

背景:

• 心臓外科手術後の主要な心血管および脳血管疾患 (MACCE) は,罹病率,死亡率,および医療費を大幅に増加させます.
• 効果的な手術前管理には,正確で迅速なリスク予測が不可欠です.
• 現在のリスクインデックスは,個々の患者のリスクプロファイルを完全に捉えることができないかもしれません.

研究 の 目的:

• 心臓外科手術後の30日間のMACCEを予測するためのマルチモダルの深層学習モデルを開発し,検証する.
• 人口統計データ,ICD-10の手順コード,および12リードのECGの波形を統合する.
• モデルのパフォーマンスを確立されたリスク指数と比較する.

主な方法:

• 高等学術センターでの回顧的なコホート研究 (2006年−2020年).
• ECG信号処理のためのトランスフォーマーベースの深層ニューラルネットワーク
• ECG機能,人口統計,ICD-10コードを統合したグラデーションブースティングマシン (GBM).

主要な成果:

• マルチモダル GBM モデルは,AUROC 0. 902 を達成し,ベースライン GBM (0. 842),修正された心臓リスク指数 (0. 813) および ASA クラス (0. 759) を上回りました.
• このモデルは30日間のMACCEを予測する上で優れたパフォーマンスを示した.
• この研究では165,577人の患者が対象となり,30日間のMACCEの発生率は0. 6%であった.

結論:

• 原始的なECGと最小限の臨床データを統合したマルチモダルのディープラーニングモデルは,優れた30日間のMACCEリスク予測を提供します.
• このアプローチは,外科手術後のリスクの階層化を促進します.
• モデルの最小データ要件は,広範な臨床採用をサポートします.