将深度学习纳入公共卫生:PICC-RVT风险评估的新方法
Yue Li1,2, Shengxiao Nie3, Lei Wang3
1Institute of Biomedical Engineering, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Frontiers in public health
|January 22, 2025
概括
深度学习模型使用时间序列数据准确预测外围插入的中央导管相关静脉血栓塞 (PICC-RVT) 风险. 专水平,预填密封剂和aPTT是管理高风险患者的关键预测指标.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 血管血栓症研究研究
背景情况:
- 机器学习 (ML) 对于预测外围插入的中央导管相关静脉血栓瘤 (PICC-RVT) 风险至关重要.
- 目前的模型经常将PICC-RVT风险视为静态,限制了实际的临床应用.
研究的目的:
- 评估七个ML算法 (3深度学习,4传统) 使用时间序列数据进行PICC-RVT风险评估.
- 使用这些ML模型,确定PICC-RVT的关键预测因素.
主要方法:
- 追溯的多中心队列研究,对5,272名PICC安置患者进行.
- 使用ML模型分析人口统计,临床病理和治疗数据.
- 通过对应指数 (c-index),杆得分和稳定性的类内相关系数 (ICC) 进行性能评估.
主要成果:
- 深度学习模型显著优于传统的ML模型 (平均c指数:0.949与0.732).
- 该DeepSurv模型显示出优异的预测准确性 (c指数:0.95).
- 发现的关键预测因素包括白蛋白水平,预填密封剂类型和激活的部分血栓形成时间.
结论:
- 时间到事件的ML模型有效预测PICC-RVT风险,DeepSurv表现出色.
- 专水平,预填充密封剂和激活的部分血栓形成时间是PICC-RVT风险管理的关键指标.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
05:04Author Spotlight: Evaluating Clinicians' Adoption of Ultrasound-Guided Vascular Cannulation Through Simulation Training
Published on: August 9, 2024
850
