FIR-LSTM:一种可解释的深度学习框架,用于预测儿科重症监护病房中阳性戒断综合征

科学领域:

• 儿科重症监护医学 儿科重症监护医学
• 医疗保健中的人工智能
• 药理学 药理学是指药理学的学科.

背景情况:

• 阳性戒断综合征 (IWS) 是儿科重症监护室 (PICU) 的一个关键问题.
• 它通常是由突然的镇静剂或阿片类药物停止/逐渐减少引起的.
• 早期IWS预测对于及时干预和更好的患者结果至关重要.

研究的目的:

• 开发一种可解释的深度学习模型,用于预测儿科ICU患者的IWS风险.
• 确定有助于IWS发展的关键风险因素.
• 加强在重症监护机构中IWS的积极管理.

主要方法:

• 使用单向多层长短期存储器 (LSTM) 网络.
• 分析了24小时的纵向电子健康记录 (EHR) 以实时进行风险评分.
• 应用层级相关性传播 (LRP) 用于模型解释性和特征重要性验证.

主要成果:

• 开发的LSTM模型展示了完美的校准和强大的预测性能.
• 层级相关性传播 (LRP) 成功识别和验证了IWS的关键风险因素.
• 该模型准确地预测了在四小时窗口内IWS的可能性.

结论:

• 用LRP增强的LSTM模型显示了改善儿科患者护理的巨大潜力.
• 有助于在PICU中早期发现和主动管理IWS.
• 旨在推动全球更安全的镇静剂和止痛药的使用,解决重大公共卫生问题.