一种混合双向深度学习模型,使用HRV预测TBI患者的ICU死亡风险
Hasitha Kuruwita A1, Shu Kay Ng2, Alan Wee-Chung Liew3
1School of Medicine and Dentistry, Griffith University, Gold Coast, Australia.
Journal of healthcare informatics research
|November 13, 2025
概括
预测创伤性脑损伤 (TBI) 患者的死亡风险至关重要. 这项研究使用了深度学习模型,从心电图分析心率变化 (HRV),以准确预测ICU患者的早期死亡风险.
科学领域:
- 关键护理医学 关键护理医学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 在重症监护室 (ICU) 创伤性脑损伤 (TBI) 患者的早期死亡率预测对于资源配置和患者管理至关重要.
- 目前的方法可能缺乏及时干预所需的精度.
- 分析心电图 (ECG) 等生理信号为改善风险评估提供了潜力.
研究的目的:
- 开发和验证一种新的深度学习模型,用于预测TBI患者的早期死亡风险.
- 从持续的心电图监测中利用心率变化 (HRV) 来提高预测准确性.
- 评估模型的性能与传统的机器学习方法相比.
主要方法:
- 开发了一种混合深度学习模型,将体重预测器与双向长期短期记忆 (BiLSTM) 单元集成在一起.
- 该模型分析了从TBI患者的前24小时心电图信号中提取的心率变化 (HRV).
- 来自黄金海岸大学医院和大脑血液动力学自我调节信息系统 (CHARIS) 的数据用于培训和测试.
主要成果:
- 混合型号实现了高的交叉验证精度 (0.933) 和AUROC (0.995).
- 在持久测试组中,该模型显示了0.917的预测准确度和0.926.9的AUROC.
- 拟议的模型在死亡风险预测方面明显优于现有的传统机器学习模型.
结论:
- 开发的深度学习模型准确地预测TBI患者的早期死亡风险,使用ECG数据的HRV.
- 该模型依赖于易于获取的ICU ECG数据,这有助于简单的临床实施.
- 这种方法提供了一个有前途的工具,以提高重症监护策略和患者的结果.
