用深度学习和电子健康记录数据,用于粘合性小肠阻塞中窒息风险的多式预测模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 粘性小肠阻塞 (ASBO) 存在严重的窒息风险.
• 精确预测窒息是及时干预和改善患者结果的关键.
• 目前的诊断方法在预测窒息风险方面存在局限性.

研究的目的:

• 开发和验证ASBO中窒息风险的多式预测模型.
• 将基于深度学习的计算机断层扫描 (CT) 成像功能与临床电子健康记录 (EHR) 集成.
• 提高诊断准确度,并支持ASBO管理中的临床决策.

主要方法:

• 追溯性,观察性,多中心研究,使用225名患者的数据进行开发和123名患者的数据进行验证.
• 使用3D卷积神经网络 (ResNet50) 进行CT图像分析和窒息风险分类.
• 集成深度学习预测与顶级EHR功能使用XGBoost算法用于多式模式模型.

主要成果:

• 多模式模型在7天内预测窒息时取得了卓越的表现 (AUC 0.915训练,0.912测试).
• 通过决策曲线分析证明了出色的校准,显著的临床效用,并通过深度学习改进了预测.
• 在预测窒息风险方面表现优于单一模式模型.

结论:

• 综合成像和临床数据的多式人工智能显示了改善ASBO窒息风险预测的巨大潜力.
• 开发的模型可以提高诊断准确度,并帮助ASBO的临床决策.
• 这种方法为改善ASBO患者管理和结果提供了一个有前途的工具.