将变压器架构应用于外科手术期间的时间动态,可以改善术后妄想的预测

科学领域:

• 麻醉学 麻醉学
• 人工智能的人工智能
• 密集护理医学 密集护理医学

背景情况:

• 手术后妄 (POD) 与严重的后果有关,包括痴呆和死亡率.
• 现有的机器学习模型用于POD预测通常使用聚合的,而不是时间的数据.
• 在手术内数据中识别预测时间模式至关重要.

研究的目的:

• 评估手术期间临床参数中的时间模式的有效性,以预测POD.
• 使用时间聚合特征将深度学习模型 (LSTM,变压器) 与传统的MLP进行比较.

主要方法:

• 长短期记忆 (LSTM),变压器模型和多层感知子 (MLP) 的比较.
• 开发混合型号,将LSTM或变压器与MLP结合起来.
• 使用单变量相关性,线性混合效应模型和变压器注意力权重来分析特征重要性.

主要成果:

• 一个变压器架构,TRAPOD,在POD预测中实现了最高的性能.
• 该模型有效地利用了手术内临床参数的30分钟序列.
• 系统性侵入性血压和阿片类药物管理被确定为关键预测变量.

结论:

• 术内时间动态对于准确的POD预测至关重要.
• 基于变压器的TRAPOD架构成功地利用了这些动态.
• 这种方法为早期识别和管理POD提供了一个有希望的工具.