相关实验视频
Updated: Jun 13, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
149
使用深度学习和电子医疗记录进行儿科败血症休克估计
Ji Weon Lee1, Bongjin Lee2,3, June Dong Park2
1Integrated and Respite Care Center for Children, Seoul National University, Seoul, Korea.
Acute and critical care
|September 12, 2024
概括
一个新的深度学习模型简化了使用系统性炎症反应综合征 (SIRS) 数据对儿科败血症休克的早期诊断. 这种人工智能方法提高了儿童及时治疗的诊断效率和准确性.
科学领域:
- 儿科重症监护医药 儿科重症监护医药
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 由于复杂的传统标准,如系统性炎症反应综合征 (SIRS),诊断儿科败血栓休克是具有挑战性的,导致诊断延迟和增加风险.
- 对于儿科败血症休克的现有诊断方法往往证明是不切实际的,需要更有效和更准确的方法.
研究的目的:
- 开发和验证一个深度学习模型,用于早期诊断儿科败血症休克.
- 利用系统性炎症反应综合征 (SIRS) 数据,提高儿科败血症休克病例的诊断准确度.
主要方法:
- 通过使用来自第三级医院 (2010年1月 - 2023年7月) 的大量儿科患者 (<18岁) 数据集进行深度学习模型的训练和评估.
- 数据包括生命体征,实验室测试和临床信息;使用SIRS标准和异能物使用识别了败血性休克病例.
- 模型性能使用AUROC和AUPRC进行了评估,通过Shapley增量解释分析了变量重要性.
主要成果:
- 该分析包括超过960万次测量,确定了34696例败血症休克病例 (0.4%).
- 深度学习模型实现了高性能,AUROC为0.927和AUPRC为0.879.
- 关键预测变量包括年龄,氧气供应,性别和二氧化碳的部分压力;体温的影响最小.
结论:
- 开发的深度学习模型提供了一种简化和准确的方法,用于早期儿科败血症休克诊断,减少工作量.
- 高度的诊断准确度有助于及时启动儿科败血症休克的治疗.
- 建议通过前性研究进行外部验证,以确认模型的通用性.
