相关实验视频
Updated: Jun 26, 2025
08:46
A Neonatal Imaging Model of Gram-Negative Bacterial Sepsis
Published on: August 12, 2020
6.4K
为患有败血症的儿童建立和验证人工智能预测模型
Li Wang1, Yu-Hui Wu2, Yong Ren3,4,5
1From the Pediatric Intensive Care Unit, The Seventh Affiliated Hospital of Sun Yat-Sen University, Shenzhen, Guangdong, China.
The Pediatric infectious disease journal
|May 8, 2024
概括
人工智能 (AI) 有效地预测了儿科重症监护室 (PICU) 败血症患者的死亡风险. 与其他机器学习方法相比,人工神经网络模型在识别高风险儿童方面表现出更高的准确性.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 计算生物学是一种计算生物学.
- 医疗人工智能的人工智能
背景情况:
- 儿童的败血症死亡率需要早期识别高风险个体.
- 人工智能 (AI) 提供了在儿科重症监护室 (PICU) 快速准确预测败血症风险的潜力.
研究的目的:
- 评估人工智能模型在预测PICU中败血症儿童死亡风险方面的有效性.
- 为了比较各种机器学习 (ML) 模型对败血症死亡率预测的性能.
主要方法:
- 一项追溯观察性研究,涉及两家医院的671名儿科败血症患者 (2016年12月 - 2020年7月).
- 开发和比较多个ML模型,包括人工神经网络,支持向量机,逻辑回归,贝叶斯式,K近邻和决策树.
- 模型被训练和测试,以预测败血症患者的死亡风险.
主要成果:
- 人工神经网络 (ANN) 模型获得了最高的准确性,在训练组中达到0.99,在测试组中达到0.96.
- 在预测与败血症相关的死亡率方面,ANN模型优于其他评估的ML模型 (支持向量机,逻辑回归,贝叶斯式,K最近邻居,决策树).
- 研究包括671名被诊断患有败血症的儿童.
结论:
- 人工智能模型,特别是人工神经网络,是预测PICU环境中败血症相关死亡风险的有效工具.
- 该ANN模型的卓越性能表明其在儿科败血症患者的早期风险分层中具有临床应用潜力.
