在住院患者群体中使用基于时间模式的临床相似度图进行输血预测

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:

• 输血是关键的干预措施,需要准确的风险预测资源管理.
• 现有的预测模型往往侧重于特定的患者子组,限制了它们的概括性.
• 需要对整个住院人口进行有效的预测,以优化血液资源分配.

研究的目的:

• 开发适用于所有住院患者的输血风险的通用预测模型.
• 利用患者相似度图和各种电子健康记录 (EHR) 数据进行增强的预测.
• 改善医院内部的资源规划和血液供应管理.

主要方法:

• 根据临床病史中的时间模式构建患者相似度图.
• 使用图形卷积神经网络 (GCNNs) 来分析这些图形并估计个体患者的输血风险.
• 整合异质EHR数据,包括人口统计,计费代码和生命体征.

主要成果:

• 与所有基线模型相比,GCNN模型在内部和外部验证数据集上的表现优越.
• 该模型有效地从个别患者的病史和与其他患者的相似性中学习.
• 多种不同临床数据元素的成功融合有助于实现可靠的预测.

结论:

• 开发的GCNN模型为预测整个住院患者群体的输血风险提供了一种强大而可泛化的方法.
• 这种智能系统可以显著帮助医院积极规划资源和血液管理.
• 这些发现突出了基于图形的深度学习对EHR数据的潜力,以支持临床决策.