一个深度学习模型用于使用纵向住院患者电子健康记录来预测临床结果

科学领域:

• 医疗保健中的人工智能
• 临床信息学 临床信息学
• 机器学习用于预测分析.

背景情况:

• 深度学习模型显示了分析电子健康记录 (EHR) 以预测临床结果的前景.
• 在重症监护室 (ICU) 的持续监测数据为预测患者死亡率提供了宝贵的见解.
• 预测ICU死亡率的现有模型在准确性和解释性方面存在局限性.

研究的目的:

• 开发基于变压器的模型,即遭遇级临床结果 (TECO) 模型,用于预测ICU死亡率.
• 利用住院患者的EHR数据来提高临床结果的预测.
• 根据既有预测指标和机器学习模型评估TECO的表现.

主要方法:

• 该TECO模型是使用2579名住院COVID-19患者的基线和时间依赖的临床变量开发的.
• 从密集护理 (MIMIC) -IV数据库中对ARDS队列 (n=2799) 和败血症队列 (n=6622) 进行了外部验证.
• 模型的性能使用接收器操作特征 (AUC) 曲线下的面积进行评估,并与史诗恶化指数 (EDI),随机森林 (RF) 和极端梯度增强 (XGBoost) 进行比较.

主要成果:

• 与EDI,RF和XGBoost.com相比,TECO在COVID-19发展数据集中获得了优异的AUC值 (0.89-0.97),而不是EDI,RF和XGBoost.com.
• 在MIMIC-IV验证数据集中,TECO显示AUC (0.65-0.76) 比RF和XGBoost (0.57-0.73) 更高.
• TECO确定了与ICU死亡率相关的临床解释特征,提高了模型的透明度.

结论:

• 在预测ICU死亡率方面,TECO模型显著超过专有指标和传统机器学习模型.
• 在使用连续监测EHR数据预测死亡率方面,TECO表现出强大的能力.
• 在等待进一步验证的情况下,TECO具有作为各种住院疾病的早期预警工具的潜力.