基于分类的深度神经网络与混合密度网络模型用于胰岛素敏感性预测问题

科学领域:

• 生物医学工程 生物医学工程
• 人工智能在医学中的应用
• 临床信息学 临床信息学

背景情况:

• 重症监护室 (ICU) 通常使用基于模型的血糖控制 (GC) 协议来管理压力诱导的高血糖症.
• 广泛使用的基于模型的GC STAR (静态准) 协议依赖于患者特定的胰岛素敏感性,以准确管理葡萄糖.
• 预测患者的胰岛素敏感性对于优化GC有效性和患者结果至关重要.

研究的目的:

• 开发和评估基于神经网络的新方法来预测患者的胰岛素敏感性.
• 将这些新方法的预测精度与临床实践中使用的现有基于模型的预测进行比较.
• 评估这些人工智能驱动的方法在增强GC患者状态预测方面的潜力.

主要方法:

• 开发了两个深度神经网络架构:分类深度神经网络和混合密度网络.
• 这些模型使用来自三个不同的患者队列的治疗数据进行训练.
• 神经网络模型的预测准确性与指导临床护理的当前基于模型的预测进行了基准测试.

主要成果:

• 开发的神经网络模型的预测准确度相当于或超过基于参考模型的预测.
• 分类深度神经网络和混合密度网络都在估计患者胰岛素敏感性方面表现得很好.
• 这些发现表明,这些人工智能方法在改善GC患者状态预测方面具有很强的潜力.

结论:

• 该研究引入了基于神经网络的有希望的方法,用于在基于模型的血糖控制的背景下预测胰岛素敏感性.
• 这些人工智能方法为目前的ICU患者状态预测方法提供了潜在的优越替代方案.
• 建议通过in-silico模拟和临床试验进行进一步验证,以确认这些新技术的临床实用性和安全性.