多模式深度学习模型利用胸部X射线和电子健康记录数据用于急诊室急性心力衰竭的预测查
Chih-Kuo Lee1, Ting-Li Chen2, Jeng-En Wu3
1Department of Internal Medicine, National Taiwan University Hospital Hsin-Chu Branch, No. 25, Ln. 442, Sec. 1, Jingguo Rd., Hsinchu 300, Taiwan, ROC.
Computer methods and programs in biomedicine
|August 10, 2024
概括
这项研究开发了使用胸部X射线和电子健康记录来选急性心力衰竭 (AHF) 的深度学习模型. 这些模型准确地识别了异常NT-proBNP水平的患者,改善了急诊室的护理.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 临床决策支持系统 临床决策支持系统
背景情况:
- 急性心力衰竭 (AHF) 的诊断往往含糊不清,导致不理想的治疗和潜在的药物副作用.
- 准确及时诊断AHF对于在紧急情况下有效的患者管理至关重要.
研究的目的:
- 开发和验证多模式深度学习模型,用于查患有异常N端B型亲尿素 (NT-proBNP) 水平的患者.
- 结合胸部X射线 (CXR) 和电子健康记录 (EHR) 数据,以改善AHF查.
主要方法:
- 利用了MIMIC-IV和MIMICCXR开源数据集,包括1432名患者和1833名CXR/EHR对.
- 处理CXR来提取肺心脏面具特征,并将它们与NT-proBNP水平预测的生命体征集成.
- 开发了结合深度学习模型,结合单模预测 (心脏大小比,放射性特征,CXR,感兴趣的区域).
主要成果:
- 实现了接收器运行特征曲线下的面积为0.89的融合模型.
- 证明了呼吸障碍患者的准确预测,其中NT-proBNP度升高.
- 该模型有效地帮助医生减少与误诊和不适当治疗相关的风险.
结论:
- 该研究引入了与AHF诊断相关的新型图像特征.
- 开发的深度学习模型显示了提高患者治疗结果和减轻急诊室风险的巨大潜力.
- 这些发现表明了人工智能驱动的AHF查和管理的未来研究方向.
更多相关视频
03:47Author Spotlight: Workflow for Integrating POCUS Data into EHR for Managing Heart Failure Patients
Published on: July 12, 2024
739
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
