LDSG-Net:一个高效的轻型卷积神经网络,用于在ICU住院期间预测急性低血压事件
Longfei Liu1, Yujie Hang1,2, Rongqin Chen1
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong, People's Republic of China.
Physiological measurement
|May 21, 2024
概括
这项研究引入了一种轻量级的深度学习模型,用于预测重症监护室 (ICU) 中的急性低血压发作 (AHE). 高效的网络实现了高精度,为实时患者监控提供了实用的解决方案.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 急性低血压发作 (AHE) 是重症监护室 (ICU) 中的一个关键并发症.
- 由于资源有限,现有的复杂预测模型不适合临床应用.
- 及时预测AHE对于患者的生存至关重要.
研究的目的:
- 为实时AHE预测开发一种高效,轻量级的深度学习模型.
- 为了解决ICU病床监测系统的计算限制.
- 提高AHE预测系统的准确性和适用性.
主要方法:
- 提出了一种高效的轻量级扩展混动组网络,包括道混动和时间扩展卷曲.
- 增强全球和本地特征提取,同时最大限度地减少计算负载.
- 在MIMIC-III,VitalDB和MIMIC-IV数据集上对模型进行了基准测试,利用多个生理信号.
主要成果:
- 拟议的模型在平衡参数和计算复杂性方面超过了最先进的轻量级CNN.
- 多个生理信号显著改善了AHE预测性能.
- 实现了高预测准确度:93.04% (MIMIC-III),92.04% (VitalDB) 和89.47% (MIMIC-IV) 在5分钟前的AHE.
结论:
- 轻量级的CNN架构显示出在资源有限的ICU设置中临床应用的巨大潜力.
- 开发的模型为实时AHE预测提供了一个有前途的解决方案.
- 这一进步标志着迈向改善ICU患者护理和治疗结果的重要一步.
