对未来急性损伤的持续预测具有临床适用性的方法
Nenad Tomašev1, Xavier Glorot2, Jack W Rae2,3
1DeepMind, London, UK. nenadt@google.com.
这项研究引入了一个深度学习模型,用于早期预测患者病情恶化,特别是急性损伤. 该模型可在48小时前准确识别高风险患者,从而及时介入并可能挽救生命.
科学领域:
- 医疗信息学
- 医疗保健中的人工智能
- 临床预测模型
背景情况:
- 患者病情恶化的延迟识别有助于显著的死亡率.
- 准确,持续更新和个性化风险预测对于及时干预至关重要.
- 性损伤是一种常见的,危及生命的疾病,
研究的目的:
- 开发一种深度学习模型,用于持续,个性化预测未来患者病情的风险.
- 使用电子健康记录来预测急性损伤,并提供足够的干预时间.
- 为每个预测提供可操作的见解,包括信心分数和突出的临床特征.
主要方法:
- 开发了一种用于持续风险预测的深度学习方法.
- 使用了大量的纵向电子健康记录数据集 (703,782名成年患者).
- 验证了该模型在预测急性损伤方面的性能,包括需要透析的病例.
主要成果:
- 该模型预测了所有住院急性损伤病例的55.8%.
- 它可以准确地识别90.2%需要透析的急性损伤,
- 达到2:1的低虚假警报比率 (虚假警报与真实警报).
结论:
- 深度学习模型为急性损伤的早期和准确预测提供了一个有希望的方法.
- 为临床医生提供提前预警和关键预测因素,促进及时治疗.
- 通过对病情恶化的患者进行主动治疗,有可能改善患者的治疗结果.
更多相关视频
10:42Design to Implementation Study for Development and Patient Validation of Paper-Based Toehold Switch Diagnostics
Published on: June 17, 2022
09:39Exploring Biomolecular Interaction Between the Molecular Chaperone Hsp90 and Its Client Protein Kinase Cdc37 using Field-Effect Biosensing Technology
Published on: March 31, 2022
相关概念视频
08:58Efficient Sampling of Genetically Encoded Biosensor Design Space Enabled with a Design of Experiments and Automation Workflow
10:42Design to Implementation Study for Development and Patient Validation of Paper-Based Toehold Switch Diagnostics
09:39Exploring Biomolecular Interaction Between the Molecular Chaperone Hsp90 and Its Client Protein Kinase Cdc37 using Field-Effect Biosensing Technology
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
07:07Synthetic Methodology for Asymmetric Ferrocene Derived Bio-conjugate Systems via Solid Phase Resin-based Methodology
16:30BioMEMS and Cellular Biology: Perspectives and Applications
