基于注意力的多任务神经网络用于手术内低血压预测.
Meng Shi1, Yu Zheng1, Youzhen Wu2
1School of Electronics, Peking University, Beijing 100871, China.
Bioengineering (Basel, Switzerland)
|September 28, 2023
概括
预测手术内低血压 (IOH) 对患者的安全至关重要. 与其他机器学习方法相比,一种具有多任务训练和注意力的新型ResNet-BiLSTM模型显著提高了IOH预测准确性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 麻醉学 麻醉学
背景情况:
- 术内低血压 (IOH) 对术后并发症存在重大风险.
- 现有的机器学习模型用于IOH预测,需要提高性能.
研究的目的:
- 开发和评估一个优秀的机器学习模型来预测IOH.
- 利用深度学习架构,多任务培训和注意力机制来改善预测.
主要方法:
- 一个ResNet-BiLSTM模型被开发用于IOH预测,使用非心脏外科手术的生物信号波形.
- 拟议的模型经过训练和测试,并与WaveNet,CNN和TCN模型进行了比较.
- 进行了废弃性研究,以评估多任务和注意力机制的影响.
主要成果:
- 该ResNet-BiLSTM模型实现了最佳的平均平方误差 (MSE) 为43.83和准确率为0.9224.
- 性能优于WaveNet (MSE: 51.52,Acc: 0.9087),CNN (MSE: 318.52,Acc: 0.5861) 和TCN (MSE: 62.31,Acc: 0.9045). 这两种网络的性能均为最强的.
- 多任务和注意力机制明显改善了MSE和准确性.
结论:
- 拟议的ResNet-BiLSTM模型在预测手术内低血压方面表现出卓越的性能.
- 多任务训练和注意力机制的整合有效地提高了预测准确性.
- 该模型为及时检测IOH和改善手术患者结果提供了一个有前途的工具.
