通过深度时插值和对生理学特征的集群网络来识别急性疾病的表型

科学领域:

• 生物医学信息学 生物医学信息学
• 关键护理医学 关键护理医学
• 机器学习 机器学习

背景情况:

• 由于零星的数据采样,使用早期生命体征的患者的表型具有挑战性.
• 识别独特的患者表型可以支持早期临床决策,并揭示不同的病理生理学特征.

研究的目的:

• 开发和验证一种新的深度时插值和聚类网络,用于使用不规则取样的生命体征来表型患者.
• 根据早期生命体征数据识别不同的患者表型,并分析其临床结果.

主要方法:

• 开发了一种新的深度时插值和聚类网络,从不规则地采样的生命体征中提取潜在的表征.
• 该网络被用来从生命体征数据中推导出患者的表型.
• 已识别的集群被分析为患病率,并发性疾病,器官功能障碍和死亡率.

主要成果:

• 确定了四种不同的患者表型 (A,B,C,D),分别占队列的18%,33%,31%和17%.
• 类型A表现出高并发症,器官功能障碍和长期死亡率. 现型D表现出早期的低血压和炎症,但较低的长期死亡率.
• 现型C显示出良好的结果,而现型B显示出混合的短期和长期结果.

结论:

• 深度学习模型有效地从生命体征中识别出不同的患者表型,提供超越传统评分系统的见解.
• 这些表型具有独特的病理生理特征和临床结果,可能会影响临床治疗和临床决策支持.
• 这种方法有望改善在时间限制和不确定性下改善患者管理.