基于人工智能的个性化实时风险预测用于精神病房的行为管理,使用多式联络数据

科学领域:

• 精神病医疗护理 精神病医疗护理
• 机器学习在医疗保健中的应用
• 行为风险预测行为风险预测

背景情况:

• 自杀和有害行为给全球健康带来了重大挑战.
• 精神病房面临着高患者对工作人员的比例和工作负载问题,阻碍实时风险预测.
• 基于人口统计数据的现有模型缺乏及时干预的精度.

研究的目的:

• 引入和评估时间融合变压器 (TFT) 模型,用于预测精神病学环境中的有害行为.
• 整合各种数据源,包括传感器,位置和临床数据,以提高预测.
• 改善精神病房实时风险评估和患者安全.

主要方法:

• 使用可穿戴传感器 (心率,运动,位置) 来收集145名患者的每小时数据.
• 开发和评估使用时间融合变压器 (TFT) 的二进制分类模型.
• 采用贝叶斯优化来进行超参数调整和5倍交叉验证来实现概括性.

主要成果:

• TFT模型实现了95.1%的准确性,74.9%的回忆,78.1的F1得分和0.863的AUC,优于其他模型.
• 变量选择网络确定了关键预测因素,如每日和心率变化,提高了可解释性.
• 整合位置和生物识别数据改善了实时风险评估的预测准确性.

结论:

• 这是第一个应用TFT模型来预测精神病房行为风险的研究.
• TFT模型有效地整合了各种数据,并捕获了适合精神病环境的时间依赖性.
• 未来的工作包括扩大数据集和开发多式联通数据模型 (CDM),以提高临床效用.