ECMO PAL:使用深度神经网络来预测静脉外体膜氧化的存活率

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的人工智能
• 心血管研究研究心血管研究

背景情况:

• 静脉外体膜氧化 (VA-ECMO) 是严重心肺衰竭的关键生命支持干预措施.
• 准确的患者预后对于管理高风险ECMO病例至关重要.
• 现有的ECMO生存得分有助于临床决策和结果评估.

研究的目的:

• 开发和验证第一个人工智能 (AI) 驱动的ECMO生存评分.
• 用一个大型的国际患者队列来预测住院死亡率.
• 为了比较AI得分的性能与既有预测工具的性能.

主要方法:

• 一个深度神经网络,ECMO预测算法 (ECMO PAL) 在ELSO注册表 (2017-2020年) 的18167名患者上接受了培训.
• 从2021年开始,使用五倍交叉验证和外部验证对5015名成年患者进行了绩效评估.
• 为了预测住院死亡率,ECMO PAL与SAVE,修改后SAVE和ECMO ACCEPTS分数进行了比较.

主要成果:

• 在ECMO PAL中,验证准确率达到72.7%,仅比培训准确率 (75.5%) 低2.8%.
• 在交叉验证过程中,AI得分显示出高灵敏度 (82.1%) 和精度 (77.6%).
• ECMO PAL显著超过了现有的分数:ECMO ACCEPTS (54.7%),SAVE (61.1%),以及修改后的SAVE (62%).

结论:

• ECMO PAL是ECMO的第一个AI驱动的生存评分,在广泛的国际数据上得到验证.
• 人工智能评分在不同ECMO地区具有很强的通用性.
• 这项研究表明了AI在使用注册数据预测复杂的重症监护治疗中的潜力.