预先预测压力通过基于深度学习的实时密集护理变量强大的缺失值推算

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床决策支持系统 临床决策支持系统

背景情况:

• 压力 (PUs) 是重症监护室 (ICU) 的一个重大问题,导致患者发病率增加,医疗费用增加和员工工作量增加.
• 有效的PU实时预测对于及时干预和改善患者结果至关重要.

研究的目的:

• 开发和验证一种新的深度学习模型,用于实时预测ICU中压力的发生情况.
• 解决PU预测时间序列临床数据中缺少数据的挑战.

主要方法:

• 使用MIMIC-IV和内部ICU数据开发各种机器学习 (ML) 和深度学习 (DL) 模型.
• 提出并实施一种新的循环神经网络,GRU-D++,专门设计用于处理时间序列数据中的缺失值.
• 使用MIMIC-IV数据集和康文国立大学医院 (KNUH) 的外部数据验证GRU-D++模型.

主要成果:

• 与其他实验模型相比,GRU-D++模型实现了优越的预测性能.
• 在MIMIC-IV数据集上实现了0.945的接收器运行特征曲线 (AUROC) 下的区域,用于准时预测和0.912用于48小时的预测.
• 在KNUH数据集上表现出强大的外部验证性能,AUROC为0.898的准时预测和0.897的48小时预测.

结论:

• 拟议的GRU-D++模型在预测ICU中的压力方面具有很高的准确性,有效地处理时间信息和缺失数据.
• 这种先进的临床决策支持系统有可能大大降低医务人员的负担,并防止患者状况恶化.
• 通过准确的PU预测促进及时干预,可以导致更好的患者护理和重症监护机构的结果.