深度学习模型用于预测视频辅助胸腔镜手术中PACU中的急性术后疼痛
Cao Zhang1,2, Jiangqin He3, Xingyuan Liang4
1Department of Anesthesiology, The Fourth Affiliated Hospital, Zhejiang University School of Medicine, Yiwu, Zhejiang, China. zhanghandd@zju.edu.cn.
BMC medical research methodology
|October 7, 2024
概括
这项研究开发了一种深度学习模型,DoseFormer,使用患者数据和生命体征来预测急性手术后疼痛. 该模型在准确性方面明显超过了古典方法和人类麻醉师.
科学领域:
- 医疗信息学医学信息学
- 医疗保健中的人工智能
- 手术成果研究的研究结果.
背景情况:
- 手术后的疼痛是手术后的常见并发症.
- 准确预测急性术后疼痛对于有效的患者管理至关重要.
- 目前用于疼痛预测的方法有局限性.
研究的目的:
- 开发和评估用于预测急性术后疼痛的深度学习算法.
- 为了利用患者的人口统计和手术内生命体征来预测疼痛.
- 将开发模型的性能与经典机器学习算法和人类专家进行比较.
主要方法:
- 进行了一项回顾性观察性研究.
- 图形注意网络 (GAT) 和图形变换器网络 (GTN) 被用来创建DoseFormer模型.
- 该模型整合了视频辅助胸腔镜手术 (VATS) 的患者信息和手术内生命体征.
- 二元分类被用来预测急性术后疼痛的可能性.
主要成果:
- 该研究包括1552名患者在数据清洗后.
- 在测试组中,DoseFormer模型实现了0.98的AUROC和0.85的F1值.
- 在预测术后疼痛方面,DoseFormer显著超过了经典的机器学习算法.
- 该模型的F1值明显高于临床麻醉师 (0.49),研究员 (0.43) 和住院医生 (0.16) 的F1值.
结论:
- 深度学习模型可以有效地预测急性术后疼痛.
- 患者的基本信息和手术内生命体征是术后疼痛的有价值的预测指标.
- 与现有方法相比,DoseFormer模型在疼痛预测方面表现优越.
更多相关视频
05:39Author Spotlight: A Non-Intubated Video-Assisted Thoracoscopic Surgery with Multimodal Analgesia and Sevoflurane Inhalation Anesthesia
Published on: May 26, 2023
1.4K
07:14A Quantitative Sensory Testing Paradigm to Obtain Measures of Pain Processing in Patients Undergoing Breast Cancer Surgery
Published on: January 18, 2018
9.3K
