使用单个手术笔记预测冠状动脉旁路移植结果:基于人工智能的预测模型研究

科学领域:

• 人工智能的人工智能
• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学

背景情况:

• 目前对冠状动脉旁路移植 (CABG) 的风险评估依赖于手动数据输入到后勤回归模型.
• 自动化人工智能 (AI) 为风险计算提供了一个潜在的替代方案.
• 本研究介绍了用于自然语言处理 (NLP) 模型的新型数值嵌入技术.

研究的目的:

• 评估基于AI的NLP模型在CABG后预测发病率或死亡率 (MM) 的性能.
• 引入和评估新的数值嵌入技术 (ScaleNum,AttnToNum),以改善风险预测.
• 使用单个手术前笔记,将AI模型性能与传统风险计算器进行比较.

主要方法:

• 分析了1,738个孤立的CABG患者的手术前手术笔记 (2014年7月 - 2022年11月).
• 使用TextCNN和LSTM模型实现和测试三种数值嵌入技术 (Basic,ROOC,ScaleNum,AttnToNum).
• 性能测量使用接收器操作特征曲线 (AUC) 下的面积和SHapley添加式扩展 (SHAP) 进行解释.

主要成果:

• 与TextCNN模型相比,AttnToNum嵌入技术实现了最高的AUC (0.821),超过了基本的嵌入.
• 人工智能模型表现出与现有的风险计算器相当或优于其性能.
• SHAP-N分析显示,该模型将较低的BUN和肌素值与生存相关联.

结论:

• 新的嵌入技术AttnToNum和ScaleNum在预测CABG结果方面提高了AI模型的性能.
• 人工智能,特别是NLP,可以使用单个手术前笔记准确预测CABG后的发病率或死亡率.
• 这些发现支持使用人工智能和NLP用于自动化注册表报告和改善心脏手术的质量.