机器学习使用单个肺CT扫描预测急性呼吸困扰综合征的肺部招募
Francesca Pennati1, Andrea Aliverti1, Tommaso Pozzi2
1Ipartimento di Elettronica, Informazione e Bioingegneria, Politecnico di Milano, Milan, Italy.
Annals of intensive care
|July 5, 2023
概括
使用单次CT扫描的机器学习模型可以识别患有急性呼吸困扰综合征 (ARDS) 的患者,这些患者有可招募的肺. 这种方法有助于对ARDS患者进行分类,以获得更好的治疗策略.
科学领域:
- 临界护理医学 临界护理医学
- 肺部医学 肺部医学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 急性呼吸困扰综合征 (ARDS) 管理需要识别具有潜在可招募肺部的患者.
- 目前评估肺部招募能力的方法可能很复杂或需要大量的数据.
- 为优化机械通风,开发有效的工具来分类肺部招募能力至关重要.
研究的目的:
- 开发和验证机器学习 (ML) 分类器模型,用于识别ARDS患者潜在的可招募肺部.
- 利用现有的临床数据和定量CT扫描分析进行分类.
- 用肺力学,气体交换和CT数据评估ML算法的性能.
主要方法:
- 对接受PEEP试验的221名机械通风ARDS患者 (5和15cmH2O) 的回顾性分析.
- 两个肺部CT扫描在5和45cmH2O气道压力下进行.
- 肺部招募能力是根据非空气组织 (放射学) 和PaO2 (气体交换) 的变化来定义的;评估了四种ML算法.
主要成果:
- 使用在5cmH2O的CT扫描数据的ML模型显示性能与将肺力学,气体交换和CT数据结合在一起的模型进行可比性,用于分类放射性肺部招募者.
- 仅基于CT扫描数据的ML算法实现了最高的AUC,用于分类气交换定义的肺部招募者.
- 在5cmH2O的单个CT扫描数据被证明是有效的分类肺部招募者.
结论:
- 使用5cmH2O单次CT扫描的机器学习模型是将ARDS患者分类为招聘者或非招聘者的实用工具.
- 这种方法在启动机械通风后的48小时内适用.
- 这些发现支持使用ML和CT成像来早期和有效地评估ARDS中的肺部可招募性.
