使用机器学习和深度学习方法预测心脏手术后的乳酸度
Yuta Kobayashi1, Yu-Chung Peng1, Evan Yu1
1Johns Hopkins University, Baltimore, MD, United States.
Frontiers in medicine
|October 4, 2023
概括
深度学习模型使用分钟级的手术内数据准确预测心脏手术后手术后血中乳酸盐度. 这种方法提高了患者的预测结果和术后管理.
科学领域:
- 心血管外科心血管外科
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 传统的外科病人的预测模型往往忽略了手术内时间序列数据.
- 深度学习擅长整合复杂的,时间变化的数据,这对于理解生理动态至关重要.
- 血中乳酸度是心脏手术期间全身 perfusion 充足度的一个关键指标.
研究的目的:
- 预测心脏手术后手术后血中乳酸盐度的最大值.
- 使用手术内数据评估机器学习和深度学习模型的有效性.
- 为了确定分钟级的手术内数据是否能比静态模型更好地提高预测性能.
主要方法:
- 包括经过心肺旁路心脏手术的成年患者.
- 评估了三个模型类别:静态 (手术前变量),增强静态 (带有手术内统计数据) 和动态 (整合时间序列数据).
- 主要结局是术后24小时内最大的乳酸盐度,平均绝对误差作为性能指标.
主要成果:
- 与基线模型相比,结合手术内数据的模型显著降低了预测误差.
- 使用循环神经网络和变压器的动态模型实现了最低的预测误差 (中位数为1.96 mmol/L).
- 术内乳酸度,贫血和体重被确定为关键预测因素.
结论:
- 术后的乳酸水平可以通过基线和手术内数据进行中度预测.
- 整合手术内数据,特别是时间序列信息,提高了临床结果的预测准确性.
- 这些发现强调了实时数据在指导外科手术管理方面的价值.
