多模式机器学习预测手术部位感染与医疗保健工作负载影响评估

科学领域:

• 医疗人工智能 医疗人工智能
• 数字化健康转型
• 手术部位感染的监测和监测

背景情况:

• 医疗保健中的远程监控产生了大量的数据,增加了医疗服务提供者的负担.
• 自动化患者生成数据评估对于高效的数字医疗保健至关重要.
• 术后伤口监测需要及时和准确的评估,以防止并发症.

研究的目的:

• 开发一个多模式神经网络,用于对远程术后伤口监测数据的自动评估.
• 预测手术部位感染 (SSI) 诊断在48小时内使用结合的伤口图像和患者报告的结果测量 (PROMs).
• 评估人工智能模型的性能与临床医师分拣及其对提供者工作负载的影响.

主要方法:

• 在两个干预性研究中,从成年胃肠道手术患者中收集了30天的伤口图像和PROMs.
• 为PROM和图像开发和结合神经网络以预测SSI.
• 对临床医师评估验证了多式联络神经网络模型,并模拟了其用于估计员工时间减少的使用.

主要成果:

• 多式联络神经网络的诊断准确度与临床医生对SSI进行分拣相比,相当于0.762比0.777).
• 该模型在外部验证中表现出色.
• 模拟使用预计将80%的员工时间 (51.5到9.1小时) 减少,而不会影响诊断准确度.

结论:

• 多式联络神经网络有效地支持手术后远程伤口监测.
• 这种人工智能方法减轻了与扩展数字健康数据相关的医疗保健提供者的负担.
• 该系统通过准确高效的SSI检测,确保高质量的术后护理.