开发和验证一个深度可解释的网络,以持续预测重症患者的急性损伤
Meicheng Yang1, Songqiao Liu2, Tong Hao3
1The State Key Laboratory of Digital Medical Engineering, School of Instrument Science and Engineering, Southeast University, Nanjing, China.
Artificial intelligence in medicine
|March 10, 2024
概括
这项研究开发了DeepAKI,这是一种用于实时预测急性损伤 (AKI) 风险的深度学习模型. 在内部和外部验证中,DeepAKI表现出有效的表现,有助于对重症患者的早期干预.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临界护理医学 临界护理医学
背景情况:
- 早期发现急性损伤 (AKI) 对于改善患者的治疗结果至关重要.
- 目前的方法可能缺乏对重症患者及时干预所需的实时预测能力.
研究的目的:
- 开发和验证一个深度可解释网络 (DeepAKI),以持续,实时预测24小时的AKI风险.
- 在内部和外部验证数据集中评估模型的性能.
- 通过识别关键预测变量和时间风险因素来提高模型的解释性.
主要方法:
- 在21,163名患者的电子健康记录上使用深度学习架构 (具有扩展因果卷积的挤压激发网络) 开发DeepAKI.
- 提取每小时152个工程预测器.
- 使用集成梯度来实现模型的可解释性.
- 在3175名患者的内部验证和两个队列的外部验证 (3025名和2625名患者).
主要成果:
- 对于持续的AKI预测,DeepAKI实现了0.799 (内部验证) 和0.763和0.676 (外部验证) 的曲线下面面积 (AUC).
- 该模型提供了对临床相关变量和时间风险因素演变的见解.
- 对现实世界医疗保健环境中的深度学习模型的通用性挑战进行了分析.
结论:
- DeepAKI提供了一种有前途的方法,用于在重症患者中持续,实时预测AKI风险.
- 该模型的可解释性促进了对AKI发展的理解,并可能指导临床决策.
- 需要进一步的研究,以解决跨不同医疗保健系统的可通用性.
