人工智能用于预测心肺复苏期间的可震动节奏:在医院环境中

科学领域:

• 心脏病学 心脏病学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 在心肺复苏 (CPR) 期间预测可震动节奏对于患者的生存至关重要.
• 在心肺复苏过程中心电图 (ECG) 中的压缩器件可以阻碍准确的节奏解释.
• 现有的人工智能模型往往缺乏对现实世界的验证,充满文物的心电图数据.

研究的目的:

• 开发和验证一种人工智能 (AI) 模型,用于预测ECG与压缩工件的可震动节奏.
• 分析人工智能模型在急诊室 (ED) 设置中的预测的可解释性.
• 评估模型在心脏骤停复苏期间收集的真实世界数据上的表现.

主要方法:

• 使用前性收集的成人心脏骤停患者数据库进行了回顾性观察性研究.
• 基于卷积神经网络的人工智能模型的开发,在ECG上训练使用5秒压缩工件.
• 利用梯度加权类激活映射用于AI模型可解释性.

主要成果:

• 人工智能模型实现了0.8672的接收器操作特征曲线 (AUROC) 下的面积,用于预测可震动的节奏.
• 在手动 (AUROC: 0.8771) 和机械 (AUROC: 0.8466) 压缩的情况下,ECG的性能强大.
• 该研究包括172名患者的1889个心电图,证明了该模型在一个重要的现实世界数据集上的有效性.

结论:

• 这项研究介绍了第一个能够准确预测震动节奏的AI模型,该模型可以在复苏期间准确预测ECG与压缩器件的可震动节奏.
• 证明的人工智能可解释性增强了信任和临床适用性.
• 该模型有可能最大限度地减少心肺复苏中断,从而改善重症监护机构患者的治疗结果.