可解释的深度学习模型用于预测住院老年患者在72小时内发生的严重不良事件
Ting-Yu Hsu1, Chi-Yung Cheng1,2, I-Min Chiu1,2
1Department of Emergency Medicine, Kaohsiung Chang Gung Memorial Hospital, Chang Gung University College of Medicine, Kaohsiung, Taiwan.
Clinical interventions in aging
|June 17, 2024
概括
这项研究开发了一种可解释的深度学习模型,用于预测老年患者的不良事件,其表现优于SOFA评分. 该模型可以在住院72小时内准确识别高风险的老年人.
科学领域:
- 老年医学 老年医学
- 医疗保健中的人工智能
- 临床信息学 临床信息学
背景情况:
- 全球人口老龄化面临着健康状况下降和不良结果的风险增加.
- 老年人容易患慢性疾病,需要专门的护理.
- 预测住院老年患者的不良事件对于及时干预至关重要.
研究的目的:
- 开发一种可解释的深度学习 (DL) 模型,用于预测老年患者在住院72小时内发生的不良事件.
- 提高老年护理预测模型的准确性和可解释性.
- 为临床医生提供一种工具,用于早期识别高风险的老年人.
主要方法:
- 对2017-2020年期间入院的127,268名非创伤老年患者的回顾性分析.
- 使用预后因素 (生命体征,实验室结果,病史,管理) 开发深度前神经网络.
- 使用准确度,灵敏度,特异性,PPV,AUC和通过Shapley添加式解释 (SHAP) 的解释来评估模型性能.
主要成果:
- DL模型实现了高预测性能,AUC为0.86 (验证) 和0.84 (测试),超过了序列器官衰竭评估 (SOFA) 的得分.
- 灵敏度和特异性值在0.79到0.81之间,表明具有强大的预测能力.
- SHAP技术揭示了关键特征的重要性和相互作用,提高了模型的可解释性.
结论:
- 开发的DL模型准确地预测了老年患者在入院72小时内发生的严重不良事件.
- 该模型与SOFA评分相比,提供了更高的性能,并为其预测提供了可解释的见解.
- 这种可解释的AI工具可以帮助为老年患者管理做出积极的临床决策.
