基于深度学习的预测,对于毒症的住院死亡率

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 关键护理医学 关键护理医学

背景情况:

• 败血症是一种严重的血液感染,具有很高的死亡风险和并发症,需要准确的死亡率评估,以获得最佳的重症监护病房 (ICU) 决策.
• 目前的败血症死亡风险模型依赖于传统指标,其中一些指标对于现代临床诊断变得不那么准确.
• 传统模型经常使用有限的患者数据,导致潜在的错误诊断和低于最佳的患者管理.

研究的目的:

• 通过在大型临床电子病历上使用机器学习来完善败血症死亡风险评估的核心指标.
• 提出和验证一种基于深度学习的新型死亡风险评估模型,称为DGFSD,用于败血症患者.
• 提高毒症临床辅助诊断的效率和准确性.

主要方法:

• 利用机器学习技术,从大规模的临床电子病历中识别出败血症死亡风险的关键指标.
• 开发了一个深度学习模型,DGFSD,能够学习个体患者的临床信息和相似度图结构.
• 通过广泛的实验评估,将DGFSD模型的性能与基线方法进行了比较.

主要成果:

• 与现有的基线方法相比,DGFSD模型在败血症死亡风险评估中表现出更高的准确性.
• 该模型有效地从个体患者数据和患者相似性结构中学习,提高预测能力.
• 观察到临床辅助诊断败血症的效率有显著的改善.

结论:

• 美国国土安全与发展局的深度学习模型为评估败血症患者死亡风险提供了更准确,更有效的方法.
• 将个人患者数据与相似度图信息相结合,可以提高临床环境中的预测性能.
• 这种先进的模型有可能有助于医生在治疗败血症方面做出关键的临床决策.