通过深度神经网络预测血液动力学和肺部减偿:性能和可解释性

科学领域:

• * 医学中的人工智能
• * 关键护理医学 关键护理医学
• * 机器学习用于医疗保健

背景情况:

• *在重症监护室 (ICU) 预测血液动力学和肺部脱补偿是医疗人员面临的挑战.
• *人工智能 (AI) 为医生在重症监护安全方面提供了潜在的支持.
• * 早期发现脱补偿是防止器官损伤或死亡等严重后果至关重要的.

研究的目的:

• * 开发和评估变压器网络,用于预测患者脱补偿得分.
• * 预测血液动力学和肺部脱补偿,提前24小时.
• * 通过特征归属技术提高AI模型的可解释性.

主要方法:

• * 变压器网络的应用用于患者状态的时间序列预测.
• * 利用沙普利值来分析特征归属和模型可解释性.
• *开发新的技术,用于汇总和可视化时间序列数据中的特征归属.

主要成果:

• * 变压器网络准确预测了血液动力学去补偿,平均误差为3.73%.
• * 预测肺部失补偿的平均误差为2.2%.
• *特征归因分析揭示了影响预测和预测时间的关键医学变量.

结论:

• *人工智能驱动的预测模型可以显著支持ICU中的临床决策.
• *可解释的AI方法提供了对驱动脱补偿预测因素的见解.
• * 及时预测脱补偿对于有效的医疗干预和改善患者结果至关重要.