彻底改变术后阴茎监测:探索GRU-D的实时能力和跨医院可转移性

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 手术结果研究研究.

背景情况:

• 手术后阴道 (POI) 复杂化了结直肠手术,增加了患者的发病率,医疗费用和住院时间.
• 准确的POI风险识别对于及时干预至关重要,特别是随着患者提前出院的趋势.
• 虽然传统的回归模型存在,但深度学习对POI风险评估的潜力仍然在很大程度上未被探索.

研究的目的:

• 为了评估纵向深度学习模型的性能和可转移性,Gated Recurrent Unit with Decay (GRU-D),用于实时POI风险评估.
• 用多个医院站点和电子健康记录 (EHR) 系统的基准指标比较GRU-D与atemporal模型的有效性.

主要方法:

• 评估了GRU-D性能和可转移性 (粗暴力量,实例,参数转移) 在7349次结直肠手术中,遍及3个梅奥诊所医院站点,拥有2个EHR系统.
• 将GRU-D结果与关键绩效指标上的时间模型进行比较.
• 分析了考虑到数据稀疏性和传输策略的模型性能.

主要成果:

• GRU-D在不同电子健康记录系统和医院站点中显示出强大的可转移性,即使具有非常稀疏的纵向数据 (例如,在随访中缺少超过95%的数据点).
• 多源实例转移产生了最佳表现,比本地学习提高了高达2.6%的AUROC,并显著减少了差异 (高达86%).
• 在外科手术后的几个小时里,GRU-D的表现通常优于临时Logit模型,尽管后者在特定的手术前点表现出更好的表现.

结论:

• 该GRU-D模型在使用稀疏,现实世界EHR数据预测POI风险方面表现出强大的可转移性和性能.
• 对于罕见的结果,转移学习的有效性仍然具有挑战性,模型性能主要受到预测任务的难度和病例流行的影响.
• 建议对GRU-D的解释性进行进一步的研究,以实现无的临床整合和干预计划.