机器学习模型用于追踪出血冲击猪损伤模型中的血液损失和复苏
Jose M Gonzalez1, Ryan Ortiz1, Lawrence Holland1
1Organ Support and Automation Technologies Group, U.S. Army Institute of Surgical Research, Joint Base San Antonio, Fort Sam Houston, San Antonio, TX 78234, USA.
Bioengineering (Basel, Switzerland)
|November 27, 2024
概括
在传统的生命体征发生变化之前,新的指标可以准确地预测血液流失和即将发生的休克. 这种在猪身上得到验证的方法,在人类医学中改善了临界出血病例的结果.
科学领域:
- 生物医学工程 生物医学工程
- 生理学 生理学 生理学
- 机器学习 机器学习
背景情况:
- 出血引起危及生命的休克,通常被传统生命体征检测得太晚.
- 早期发现出血性休克对于及时干预和改善患者结果至关重要.
- 现有的生命体征可能不能充分反映由于补偿机制造成的血液损失的严重程度.
研究的目的:
- 在猪出血模型中评估先进的血液损失指标.
- 为了确定从犬类模型中先前开发的指标是否适用于猪.
- 评估这些指标在人类医学中用于早期冲击检测的潜力.
主要方法:
- 在动脉波形数据上利用特征提取和机器学习.
- 开发了先进的指标,包括血液损失体积指标,百分比估计的血液损失和出血面积.
- 在狗出血模型中开发的指标应用于来自猪出血模型的数据.
主要成果:
- 先进的指标准确地检测到猪模型中即将发生的冲击.
- 在猪中指标的表现验证了在狗模型中开发的框架.
- 这些指标比传统的生命体征,如血压,更早地发现了休克.
结论:
- 开发的指标框架适用于不同的动物模型 (狗和猪).
- 先进的指标显示,早期和准确检测血液损失和人类的休克是有希望的.
- 在猪中成功应用表明,在民用和军事医学中,有可能改善伤亡结果.
