相关实验视频
Updated: Jul 12, 2025
06:47
Microfluidics in Assessing Platelet Function
Published on: November 8, 2024
904
通过个性化的深度学习风险评估系统优化血小板输血,用于需求管理
Merlin Engelke1,2, Cynthia Sabrina Schmidt1,3, Giulia Baldini1,2
1Institute for Artificial Intelligence in Medicine, University Medicine Essen, Essen, Germany.
Blood
|October 27, 2023
概括
这项研究引入了一种深度学习模型,可以提前24小时预测个体患者的血小板需求,改善血小板需求管理并防止缺乏. 由人工智能驱动的方法通过预测输血需求来增强患者护理.
科学领域:
- 生物医学信息学 生物医学信息学
- 医疗保健中的机器学习
- 血液学 血液学 血液学
背景情况:
- 血小板需求管理 (PDM) 对医院来说是复杂且资源密集的.
- 目前的PDM依赖于住院患者数量和机构标准,往往导致短缺.
- 需要一种特定于患者的预测方法来优化血小板利用率.
研究的目的:
- 开发和验证基于深度学习的模型,用于预测个体患者的血小板输血.
- 通过提供24小时风险评估来支持血小板需求管理 (PDM).
- 通过预测分析来缓解血小板短缺并改善患者护理.
主要方法:
- 开发了一个深度学习模型,使用34,809名患者 (2017-2022) 的回顾性电子健康记录数据.
- 利用静态和时间依赖的特征,包括人口统计,诊断,手术,血液计数和输血史.
- 实施了一个扩展窗口的方法,用于培训和实时预测,具有30天的输入和24小时的预测.
主要成果:
- 血液学/瘤学模型获得了高性能 (AUC-PR:0.84,ROC-AUC:0.98).
- 一个多专业模型显示出良好的表现 (AUC-PR:0.73).
- 心胸外科手术模型的性能较低 (AUC-PR:0.42),可能是由于手术内出血.
结论:
- 这是第一个用于个性化24小时血小板输血风险评估的深度学习预测器.
- 决策支持系统可以帮助早期检测血小板需求.
- 实施可能会防止严重的输血短缺,并提高患者的护理.
