用于诊断败血症,败血症休克和心脏性休克的不同AI系统的比较:一项回顾性研究

科学领域:

• 关键护理医学 关键护理医学
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 败血症,败血性休克和心脏性休克是危及生命的疾病,症状重叠,使诊断复杂化.
• 准确的区分对于及时有效的患者管理至关重要.
• 现有的诊断方法可能缺乏对这些复杂病例所需的精度.

研究的目的:

• 通过使用人工智能来提高败血症,败血性休克和心脏性休克的诊断精度.
• 评估贝叶斯网络分类器 (BNC) 与其他人工智能模型的性能.
• 探索AI模型在临床决策中的可解释性.

主要方法:

• 利用密集护理医疗信息中心 (MIMIC-III) 数据库,从5970名成年患者中提取数据.
• 从最初的51个中选择了12个关键变量用于预测模型构建.
• 经过训练和验证的模型使用80:20数据分割,将BNC与OneR,CART和ANN模型进行比较.

主要成果:

• 贝叶斯网络分类器 (BNCs) 的准确率达到87.6%至91.5%.
• 分类和回归树 (CART) 模型在三个决策级别下达到了91.6%的准确性.
• 人工神经网络 (ANN) 模型实现了90.5%的准确性.
• 无论是BNCs还是CART模型,都提供了清晰,可解释的预测.

结论:

• 贝叶斯网络分类器 (BNC) 显示出作为重症监护诊断工具的巨大潜力.
• BNCs提供了与人工神经网络 (ANN) 相同的准确性和精度,同时提供了更好的解释性.
• 人工智能,特别是BNC和CART,可以帮助临床医生区分复杂的休克状况.