整合VAI辅助量化CXR和多模式数据,以评估死亡风险

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 死亡率预测对于患者风险分层至关重要.
• 现有的死亡率预测方法可能缺乏广泛的可用性或可访问性.
• 需要可访问的工具来加强风险评估.

研究的目的:

• 开发和验证视觉人工智能 (VAI) 模型,用于使用胸部X射线 (CXR) 预测死亡风险.
• 通过人工智能驱动的CXR特征提取来增强死亡风险分层.
• 为预测患者死亡率创建一个广泛可用的检查.

主要方法:

• 开发了一个使用深度学习用于CXR特征提取的VAI模型.
• 使用考克斯比例危险模型生成"CXR风险"危险得分.
• 追溯收集了大量患者队列 (超过41,000名在培训中) 的CXR和电子病历.
• 对内部和外部测试集的模型进行了验证,随访时间中位数为3.2年.

主要成果:

• "CXR风险"得分显示出强大的预测性表现,C指数为0.859 (内部) 和0.870 (外部).
• 高"CXR风险"得分与死亡风险增加有显著的相关性.
• 整合临床,实验室和放射性报告数据进一步提高了预测准确性 (C指数高达0.900).

结论:

• VAI模型使用单个CXR.准确预测死亡率和发病率结果.
• 这种人工智能工具可以补充医生现有的风险预测指标.
• VAI提供了一种有价值的,可访问的方法来提高患者风险评估和管理.