一个可解释的长期短期记忆网络用于手术部位感染的识别和识别

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 手术成果研究的研究结果.

背景情况:

• 目前的手术部位感染 (SSI) 监测依赖于手动图表审查,这是耗时的.
• 机器学习 (ML) 从电子健康记录中提供SSI的自动识别.
• 深度学习 (DL) 模型虽然强大,但往往缺乏可解释性.

研究的目的:

• 开发和评估用于SSI识别的可解释深度学习模型.
• 为了比较DL模型与传统ML方法的性能.
• 提高DL模型在医疗监测中的可解释性.

主要方法:

• 从2016年1月到2021年6月,利用电子健康记录 (EHR) 的结构化数据和临床笔记.
• 开发了一个长期短期记忆 (LSTM) 网络,用于SSI检测.
• 将LSTM性能与传统的ML模型进行比较,使用像接收器操作特征曲线 (AUROC) 下面积和灵敏度等指标.

主要成果:

• 在9,185个操作事件中,SSI存在于4.7%.
• 该LSTM模型比顶级传统模型 (AUROC: 0.937,灵敏度: 0.736) 实现了更高的AUROC (0.954) 和灵敏度 (0.920).
• 通过LSTM模型识别的关键特征包括程序代码和实验室值.

结论:

• 可解释的深度学习,特别是LSTM模型,与传统的ML相比,在SSI监控方面表现优越.
• 开发的模型提供了手动图表审查的潜在替代品,提高了效率.
• 自动化,可解释的SSI监控可以显著帮助降低感染率.