有的门隔复发病房具有实时的术后阴茎监测能力,并提供跨医院的可转移性

科学领域:

• 医疗信息学医学信息学
• 机器学习在医疗保健中的应用
• 手术成果研究的研究结果.

背景情况:

• 结肠病是结肠直肠手术后的重大术后并发症,增加了患者的发病率,医疗费用和住院时间.
• 准确及时评估乳头风险至关重要,特别是随着早期出院的日益增长趋势.
• 之前关于结核风险预测的研究主要利用回归模型,使深度学习方法的潜力未被探索.

研究的目的:

• 评估Gated Recurrent Unit with Decay (GRU-D) 深度学习模型的有效性,用于实时评估接受结直肠手术的患者的结直肠风险.
• 为了比较GRU-D与传统的时空模型在预测术后阴茎的性能.

主要方法:

• 利用了来自三家梅奥诊所的7349次结直肠手术的数据集,并结合了来自两个电子健康记录 (EHR) 系统的数据.
• 应用GRU-D模型进行动态的实时风险评估,考虑数据稀疏性和时间依赖性.
• 基准GRU-D性能与使用标准指标的atemporal模型相比,包括接收器操作特征曲线 (AUROC) 下的面积.

主要成果:

• GRU-D在实时内皮质风险评估中表现出优异的表现,尽管数据显著稀疏 (例如,72.2%缺失实验室值,26.9%在手术后24小时内缺失生命体征).
• 该模型在不同临床场所和EHR系统中表现出强大的可转移性,性能降低最小 (AUROC降低≤5%的粗暴力转移).
• 使用GRU-D的多源实例传输提高了AUROC高达2.6%,并将置信区间缩小了86%,超过了在外科手术后表现波动的时间模型.

结论:

• 带有衰变 (GRU-D) 的门式复发单元模型为动态,实时的阴茎风险评估提供了强大的能力,这对于有效的临床后续至关重要.
• 面对数据稀疏性及其可转移性的GRU-D的表现突显了其广泛临床应用的潜力.
• 需要进一步的研究来探索GRU-D预测的可解释性,以促进无的临床整合和决策.