一种深度学习方法来预测住院患者的SEIRD状态,使用多式模式的时空数据

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗保健信息学 医疗保健信息学

背景情况:

• 抗微生物药物耐药性的上升加剧了医院感染 (HAI),挑战了患者的治疗结果和医疗保健资源.
• 目前的HAI预测模型缺乏个体患者的特异性,阻碍了有针对性的干预.
• 迫切需要精确的,个体级风险评估,以有效打击HAI.

研究的目的:

• 开发和评估用于个体患者HAI风险预测的多式联络深度学习模型.
• 利用时空医院数据来提高预测准确度.
• 为了解决人口级HAI预测模型的局限性.

主要方法:

• 设计了三种深度学习架构:集成式,脱式和一种新的混合模型.
• 混合模型使用专门的组件进行独立的空间/时间学习,然后进行联合微调.
• 在合成医院模拟数据集上使用10倍交叉验证 (精度,F1分数) 评估模型.

主要成果:

• 混合深度学习模型显著优于集成和脱模型.
• 在7天的窗口中,达到78.96%的峰值准确度和0.75的F1得分.
• 在不同的医院规模和预测范围中表现出强的性能.

结论:

• 混合深度学习策略有效地结合了专业的空间和时间数据学习,以优化HAI风险预测.
• 这种方法为实时临床决策支持和优化感染控制提供了潜力.
• 该模型对各种医疗保健环境具有前景,等待现实世界的临床数据验证.