基于持续的医院内恶化预测模型的临床可穿戴深度学习的开发和验证
Michael R Scheid1,2,3, Beth Friedmann1,4, Michael Oppenheim1,4,5
1Northwell Health, New Hyde Park, NY, 11042, USA.
Nature communications
|November 3, 2025
概括
一个使用可穿戴设备的持续生命体征的新深度学习模型可以提前17小时预测患者的病情恶化. 与标准监测相比,这种基于可穿戴设备的系统可以改善早期风险检测,从而可以及时进行干预.
科学领域:
- 生物医学工程 生物医学工程
- 医疗保健中的人工智能
- 临床监测 临床监测
背景情况:
- 在医疗外科病房的标准患者监测通常错过了关键变化,延迟了风险识别.
- 情节性生命体征检查可能会导致对病情恶化的患者进行延迟干预.
研究的目的:
- 开发和验证基于临床可穿戴设备的深度学习模型,用于早期和准确地检测患者病情恶化.
- 预测临床预警和不良结果,使用持续监测提前24小时.
主要方法:
- 一个循环神经网络模型被训练使用9个输入,包括连续的生命体征和人口统计.
- 使用了来自888名成年住院病人的验证数据和来自两个临床级可穿戴设备的135个结果.
- 该模型预测了24小时窗口内的临床警报和不良临床结果.
主要成果:
- 该模型实现了0.89 +/- 0.3的ROC曲线下的面积,用于预测临床警报.
- 它在预测不良临床结果方面表现出81.8%的准确性.
- 预测可能提前17小时,超过了情节性监测工具.
结论:
- 基于可穿戴设备的持续监测系统有效地比标准方法更早地预测患者的病情恶化.
- 该模型在不同的临床级可穿戴设备中保持性能.
- 早期警报能够及时进行干预,潜在地避免了可预防的恶化,并降低了医院费用.
