用入院笔记和临床表格数据改善心力衰竭医院结果的预后评估精度:多式深度学习模型
Zhenyue Gao1, Xiaoli Liu2, Yu Kang3
1Beijing Engineering Research Center of Industrial Spectrum Imaging, School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing, China.
一个新的多模式深度学习模型通过结合临床笔记和表格数据,准确地预测心力衰竭 (HF) 死亡率. 这种方法增强了决策支持,以获得更好的患者结果.
科学领域:
- * 医学中的人工智能
- * 临床信息学 * 临床信息学
- * 生物医学数据科学
背景情况:
- * 临床笔记提供了丰富的,背景的患者信息,超出了结构化的电子健康记录.
- * 准确预测心力衰竭 (HF) 的医院结果对于及时干预至关重要.
- * 整合不同的数据源可以提高预测模型的性能.
研究的目的:
- * 开发和验证一种多模式深度学习模型,用于预测心力衰竭患者的住院死亡率.
- * 通过使用临床笔记和电子健康记录表格数据来评估该模型的精度.
- * 为了比较多式模式与单式模式方法的性能.
主要方法:
- *从MIMIC-III,MIMIC-IV和eICU协作研究数据库中追溯推导数据.
- * 开发一个深度学习模型,整合非结构化的临床笔记 (例如,当前疾病史,体检) 和结构化的表格数据.
- * 模型的内部,前性和外部验证;使用集成梯度和SHAP进行风险因素分析.
主要成果:
- * 与单模模型相比,多模深度学习模型在内部,前性和外部验证集中表现出优异的性能.
- *接收器运行特征曲线 (AUC) 下的面积值在0.767到0.849之间,表明具有强大的预测能力.
- *表格数据显著促进了歧视的改善,病史和体检是早期评估的关键因素.
结论:
- *多模式深度学习模型有效地结合了入院临床笔记和表格数据,用于预测心力衰竭死亡率.
- *这种方法显示出作为一种新的方法来提高HF患者护理决策支持的准确性和及时性的承诺.
- *这些发现表明,这是一种有价值的新工具,用于风险分层和心力衰竭患者的管理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
相关概念视频
Pathophysiology of Heart Failure
Methods of Documentation VI: Case Management Model
For example, a patient with a chronic...
Heart Failure Drugs: β-Blockers
Heart Failure Drugs: Inhibitors of Renin-Angiotensin System
Heart Failure Drugs: Diuretics
