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
• 深度学习用于医学预测.

背景情况:

• 电子健康记录 (EHR) 为预测临床结果提供了大量数据.
• 深度学习模型在分析复杂,连续的EHR数据方面表现有前途.
• 准确预测重症监护室 (ICU) 死亡率对于患者管理至关重要.

研究的目的:

• 开发一种基于变压器的模型,TECO,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.
• 用现有预测模型来评估TECO的表现.

主要方法:

• 使用变压器架构开发了TECO模型.
• 从MIMIC-IV.培训和验证了COVID-19患者数据和外部队列 (ARDS,败血症) 的模型.
• 对比了TECO的表现 (AUC) 与史诗性的恶化指数 (EDI),随机森林 (RF) 和XGBoost.

主要成果:

• 与COVID-19队列中的EDI,RF和XGBoost相比,TECO在预测ICU死亡率方面取得了优异的曲线下面区域 (AUC) 值.
• 在外部验证数据集中,TECO的表现优于RF和XGBoost.
• 该模型确定了与患者结果相关的临床可解释的特征.

结论:

• 通过使用持续监测数据,TECO模型在预测ICU死亡率方面表现出很高的有效性.
• 在ICU死亡率预测方面,TECO超越了当前专有和传统的机器学习模型.
• TECO具有作为各种住院病情的早期预警系统的潜力.