机器学习可以在儿童心脏骤停后在早期头部CT上识别缺氧-缺血性脑损伤
Matthew P Kirschen1, Jiren Li2, Jonathan Elmer3
1Department of Anesthesiology and Critical Care Medicine, The Children's Hospital of Philadelphia, Perelman School of Medicine at the University of Pennsylvania, Philadelphia, PA, USA.
Resuscitation
|June 29, 2025
概括
深度学习模型可以在儿科外心脏骤停 (OHCA) 后的早期CT扫描上检测缺氧缺血性脑损伤 (HIBI). 这些人工智能工具识别了放射科医生看不到的微妙HIBI,有助于诊断和预测结果.
科学领域:
- 人工智能在医学中的应用
- 儿科神经放射学 儿科神经放射学
- 关键护理医学 关键护理医学
背景情况:
- 缺氧缺血性脑损伤 (HIBI) 是儿科医院外心脏骤停 (OHCA) 后的一个关键并发症.
- 在CT扫描中早期检测HIBI对于患者管理和预测结果至关重要.
- 在早期CT扫描中对HIBI的放射性评估可能具有挑战性,并且可能会错过微妙的发现.
研究的目的:
- 开发和训练深度学习模型,用于在儿科OHCA患者的早期CT扫描中检测HIBI.
- 评估这些模型识别HIBI的能力,这些HIBI对专家放射科医生来说是视觉上看不到的.
- 评估模型在预测儿科OHCA病例死亡率和不良结果方面的表现.
主要方法:
- 从儿科OHCA病例和年龄匹配的对照中CT扫描的追溯分析,在逮捕后24小时内进行.
- 开发深度学习模型,以区分OHCA病例和对照病例,并预测结果 (死亡,不利结果).
- 训练一个单独的模型来识别放射科医生确认的HIBI,并将其应用于没有放射科医生检测的HIBI的病例,以找到疑似病例.
主要成果:
- 深度学习模型在区分OHCA病例与对照病例 (AUC 0.87) 和预测死亡 (AUC 0.79) 和不良结果 (AUC 0.69) 中取得了高性能.
- 一个在放射科医生识别的HIBI中训练的模型获得了很好的分辨率 (AUC 0.98).
- 在没有放射科医生识别的HIBI的OHCA病例中,该模型识别了36%的假定HIBI,与没有模型检测的HIBI (17%) 的人相比,死亡率更高 (31%).
结论:
- 深度学习模型在儿童OHCA后的早期CT扫描上有效检测HIBI.
- 这些人工智能模型可以识别放射科医生错过的微妙HIBI,从而有可能提高诊断准确度.
- 这些模型在识别可能未被识别的HIBI病例方面表现有希望,这可能会影响患者的治疗结果.
