深度学习模型用于识别和验证手术和重症患者的低血压内型

科学领域:

• 关键护理医学 关键护理医学
• 心血管生理学心血管生理学
• 医疗保健中的人工智能

背景情况:

• 低血压是一种关键性疾病,与手术和重症患者的器官损伤和死亡率有关.
• 目前的低血压治疗是复杂的,因为各种潜在的血液动力学变化.
• 准确识别低血压原因对于有效的临床管理至关重要.

研究的目的:

• 通过无监督深度学习,在大量患者群体中识别和验证不同类型的低血压内型.
• 根据血液动力学参数开发一种数据驱动的方法来对低血压进行分类.
• 为了实现精确的诊断和指导低血压状态的治疗策略.

主要方法:

• 开发了一个无监督的深度学习自动编码模型与高斯混合模型相结合.
• 该算法分析了中风体积指数,心率,全身血管阻力指数和低血压事件期间的中风体积变化.
• 该模型在871名手术患者身上进行了训练,并通过1000名手术患者和1000名重症患者的独立数据集进行了验证.

主要成果:

• 鉴定出四种不同的低血压内型:血管扩张,低血压,心肌抑郁和胸.
• 在整个开发过程中和两个独立的验证数据集中,这些四种内型被一致确定.
• 该算法量化了每个内型的概率对于个别的低血压事件.

结论:

• 无监督深度学习成功地将低血压分为四种临床相关的内型在手术和重症患者群体中.
• 开发的算法为每个低血压事件提供了概率的内型识别.
• 这种内型分类有潜力引导临床医生对低血压的更因果和更有效的治疗方法.