基于三个生命体征的时间序列的COVID-19患者恶化预测的深度学习

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 肺部病理学 肺部病理学

背景情况:

• 在COVID-19患者中未被识别的恶化导致显著的发病率和死亡率.
• 现有的预测模型通常需要大量的临床数据,这限制了它们在远程医疗和远程监测中的使用.
• 需要使用最小的,易于获取的数据来早期检测损坏的模型.

研究的目的:

• 开发和比较两种预后模型,用于预测COVID-19患者在3至24小时内病情恶化.
• 使用常规生命体征和基本患者信息来评估模型的有效性.
• 评估长期短期记忆 (LSTM) 和时间卷积网络 (TCN) 模型的性能.

主要方法:

• 开发了两个模型:模型1 (LSTM) 和模型2 (TCN),分别处理氧和,心率和温度.
• 包括基本的患者数据,包括人口统计,疫苗接种状况和并发症.
• 模型被训练并通过纽约大学兰贡健康的37006名COVID-19患者的数据集进行验证.

主要成果:

• 基于TCN的模型 (模型2) 超过了基于LSTM的模型 (模型1).
• 该TCN模型实现了接收器运行特征曲线 (AUROC) 下的面积为0.8844-0.9336的3至24小时恶化预测.
• 闭塞实验强调了监测生命体征变化的重要性.

结论:

• 准确的COVID-19患者病情恶化的预测是可以通过最小的特征集来实现的.
• 时间卷积网络显示出对实时生命体征监测和预警系统的前景.
• 这些发现支持使用可穿戴设备和自我报告数据用于可扩展的远程医疗解决方案.