一个深度学习模型使用胸部放射图来预测社区获得性肺炎患者的30天死亡率:开发和外部验证
Changi Kim1,2, Eui Jin Hwang1, Ye Ra Choi1,3
1Department of Radiology, Seoul National University College of Medicine, 101 Daehak-ro, Jongno-gu, Seoul 03080, Korea.
AJR. American journal of roentgenology
|June 14, 2023
概括
使用胸部放射图的深度学习 (DL) 模型比CURB-65得分更好地预测社区获得性肺炎 (CAP) 患者的30天死亡率. 这种人工智能工具显示出更好的准确性和特异性,可能指导CAP护理的临床决策.
科学领域:
- 人工智能在医学中的应用
- 放射学和医学成像学 医学成像学
- 关键护理医学 关键护理医学
背景情况:
- 胸部放射学对于诊断社区获得性肺炎 (CAP) 至关重要,但其预后价值有限.
- 预测CAP患者的死亡风险对于及时有效的临床管理至关重要.
- 当前的预后工具可能无法充分利用胸部X射线图中可用的信息.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测CAP患者的30天死亡率.
- 为了将DL模型的性能与已建立的CURB-65得分进行比较.
- 评估DL模型在不同机构和时间段的可通用性.
主要方法:
- 一项涉及7000多名CAP患者的回顾性研究,以训练DL模型对初始胸部X射线图进行初步胸部X射线图.
- 在不同机构和时间框架的时间和外部测试队列上验证DL模型.
- 将DL模型的预测性能 (AUC,特异性) 与CURB-65得分进行比较,包括组合模型方法.
主要成果:
- 在时间测试组中,DL模型在预测30天死亡率方面显著超过CURB-65得分 (AUC 0.77对0.67).
- 虽然DL模型并不总是具有统计学意义,但在外部验证队列中,DL模型始终显示出更高的AUC (0.80对0.72-0.73).
- 与CURB-65相比,DL模型在所有队列中表现出更高的特异性,组合模型显示了进一步的AUC改进.
结论:
- 使用初始胸部放射图的DL模型是CAP患者30天死亡率的强有力的预测指标.
- 基于DL的方法比传统的CURB-65得分提供了更好的预后性能.
- 这种人工智能驱动的工具有可能增强CAP的临床决策和患者管理.
