开发和外部验证预训练深度学习模型,用于预测非意外创伤

科学领域:

• 医疗保健中的人工智能
• 临床信息学 临床信息学
• 预测诊断 预测诊断是一种预测诊断.

背景情况:

• 非意外创伤 (NAT) 带来了重大的预测挑战.
• 变压器模型在预测任务中表现有前途,但诊断的最佳预训练尚不清楚.

研究的目的:

• 开发和验证一个深度学习模型,PABLO,用于预测未来的NAT诊断.
• 评估多任务临床预训对诊断预测性能的影响.

主要方法:

• 开发了PABLO,一种基于变压器的深度学习模型,使用多任务临床预训.
• 利用两个全州数据库进行模型开发和外部验证.
• 整合了一个临床界面来可视化患者数据和模型预测.

主要成果:

• 帕布洛在加利福尼亚州获得了0.844的AUROC,在佛罗里达州获得了0.849的NAT预测.
• 与比较者相比,多任务预训练显著改善了模型性能.
• 归因分析确定了物质使用,精神病诊断和伤害作为关键预测因素.

结论:

• 帕布洛在识别有NAT风险的患者方面表现出高度准确性.
• 该模型作为临床决策支持工具,指导干预.
• 帕布洛可以帮助目标二次查和预防措施在 point-of-care.