一种基于变压器的深度学习模型,用于识别急性血源性骨髓炎的发生,并预测血培结果
Yingtu Xia1, Qiang Kang2, Yi Gao3
1Department of Orthopedics, The Second Hospital of Dalian Medical University, Dalian, Liaoning, China.
Frontiers in microbiology
|November 21, 2024
概括
易于获取的实验室指标可以帮助诊断儿科骨髓炎,并预测细菌培养成功. 这简化了诊断,并指导了儿童的抗生素治疗决策.
科学领域:
- 儿科医学 儿科医学
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
背景情况:
- 急性血源性骨髓炎是儿童最常见的骨感染,发病率越来越高.
- 儿童骨髓炎的诊断是具有挑战性的,通常需要先进的成像.
- 细菌培养结果显著影响诊断患者的治疗策略.
研究的目的:
- 分析实验室指标和儿科骨髓炎之间的相关性.
- 开发一种深度学习模型,用于识别儿童骨髓炎.
- 用实验室数据预测细菌培养成功和住院时间.
主要方法:
- 基于变压器的深度学习模型是使用634名儿科患者的数据开发的.
- 分析了实验室指标,骨髓炎诊断和混诊断之间的相关性.
- 该模型被训练来预测骨髓炎,住院时间和细菌培养结果.
主要成果:
- 实验室指标与急性血源性骨髓炎存在相关,通过深度学习模型实现有效识别.
- 实验室指标部分预测骨髓炎患者住院时间.
- 一个深度学习模型成功地预测了细菌培养结果,即使直接相关性很弱.
结论:
- 可访问的实验室指标可以诊断儿科骨髓炎,并预测细菌培养成功.
- 这些发现简化了诊断,并为实证抗生素治疗决策提供了信息.
- 深度学习模型为儿童骨髓炎的管理提供了一个有价值的工具.


