多模式数据融合算法MULTINet在TAVR的术后风险评估中的应用

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 过导管大动脉置换 (TAVR) 是对大动脉疾病的关键最小侵入性治疗方法.
• 尽管TAVR的安全性,术后不良事件和死亡率仍然令人担忧.
• 目前的预测模型不充分利用多模式患者数据,限制了精准医学.

研究的目的:

• 在TAVR患者中开发出30天全因死亡率的优质预测模型.
• 利用多式联络的临床数据来提高预测准确度.
• 改善TAVR的临床决策和患者的治疗结果.

主要方法:

• 使用MIMIC-IV队列开发了一个多式联络深度学习模型MULTINet.
• 该模型采用双分支结构,用于单模式和多模式分析,并集中注意力.
• 使用AUC,AUPR,回忆,校准图,Brier分数和决策曲线分析来评估性能.

主要成果:

• MULTINet的AUC为0.9153,显著超过了XGBoost和MedFuse的表现.
• 该模型表现出优越的概率估计,布赖尔得分为0.0269.
• 关键的预测特征包括功能,心脏功能和炎症指标.

结论:

• 该MULTINet模型有效地整合了多模式临床数据,用于预测TAVR后30天的死亡率.
• 在预测准确性和临床适用性方面,MULTINet提供了显著的改进.
• 这种人工智能驱动的方法支持精准医学,并增强TAVR管理.