相关实验视频
Updated: Jun 6, 2025
07:42
A Data-Driven Approach to Quantifying Immune States in Sepsis
Published on: February 7, 2025
147
时间序列深度学习和符合性预测改善了非ICU住院患者的败血症诊断
Shaunak Dalal1, Ahad Khaleghi Ardabili1, Anthony S Bonavia1,2
1Department of Anesthesiology and Perioperative Medicine, 500 University Dr, Hershey, 17033, PA, USA.
medRxiv : the preprint server for health sciences
|November 28, 2024
概括
这项研究引入了一个深度学习模型,用于在非ICU环境中早期检测败血症. 该模型可以提前几个小时准确预测败血症,大大减少虚假警报,以获得更好的患者护理.
科学领域:
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
- 关键护理医学 关键护理医学
背景情况:
- 败血症是医院死亡的主要原因,早期检测对生存至关重要.
- 传统的败血症诊断 (SIRS,SOFA) 在非ICU环境中往往是不充分的.
- 对于败血症的现有机器学习模型缺乏通用性,并且具有很高的错误报警率.
研究的目的:
- 开发和验证一个深度学习模型,用于在非重症监护室 (非ICU) 环境中预测早期的败血症.
- 解决传统败血症检测方法在监测频率较低的环境中的局限性.
- 通过使用符合性预测框架,提高败血症预测的准确性并减少错误警报.
主要方法:
- 通过使用MIMIC-IV数据开发了一个深度学习模型,其中包含了用于不确定性定量化的合规预测框架.
- 该模型在一个由83813名患者组成的庞大队列上进行了训练.
- 使用eICU-CRD数据集进行了外部验证,以评估在不同医院环境中的概括性.
主要成果:
- 深度学习模型实现了高预测性能,接收器操作特征下的区域 (AUROC) 曲线分别为0.96,0.98和0.99,在败血症发病前24,12和6小时.
- 合规预测方法有效地减少了假阳性和提高了特异性.
- 外部验证表明,在6小时的预测窗口内,一致的性能和57%的虚假报警减少.
结论:
- 开发的深度学习模型使用最小的数据提供准确和早期的败血症预测,适合低监控环境.
- 这种方法解决了毒症诊断中的关键临床挑战,并有可能优化资源配置.
- 该模型有助于及时进行干预,并可能减少不必要的重症监护病房入院.
